| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题研究目的及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 基于手工特征的方法 | 第10-11页 |
| 1.2.2 基于深度学习的方法 | 第11-14页 |
| 1.3 论文的组织结构 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 相关理论与技术 | 第16-34页 |
| 2.1 显著性检测概述 | 第16-22页 |
| 2.1.1 基于局部对比度的显著性区域检测算法 | 第17页 |
| 2.1.2 基于全局对比度的显著性区域检测算法 | 第17-22页 |
| 2.2 深度学习理论 | 第22-30页 |
| 2.2.1 人工神经网络 | 第22-24页 |
| 2.2.2 卷积神经网络 | 第24-27页 |
| 2.2.3 VGG-16模型 | 第27-29页 |
| 2.2.4 迁移学习 | 第29-30页 |
| 2.3 花卉图像数据集 | 第30-33页 |
| 2.3.1 Oxford17Flowers | 第31页 |
| 2.3.2 Oxford102Flowers | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 显著图与PCANet结合的花卉图像分类算法 | 第34-44页 |
| 3.1 引言 | 第34-35页 |
| 3.2 基于显著图的花卉区域选取 | 第35-37页 |
| 3.3 基于PCANet与softmax的花卉分类 | 第37-41页 |
| 3.3.1 主成分分析网络 | 第37-40页 |
| 3.3.2 softmax回归模型 | 第40-41页 |
| 3.4 实验结果与分析 | 第41-43页 |
| 3.4.1 实验环境与数据 | 第41页 |
| 3.4.2 实验流程 | 第41-42页 |
| 3.4.3 花卉区域提取的影响分析 | 第42-43页 |
| 3.4.4 综合实验对比分析 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于选择性卷积特征融合的花卉图像分类 | 第44-57页 |
| 4.1 引言 | 第44-45页 |
| 4.2 基于选择性卷积特征融合的花卉图像分类网络 | 第45-53页 |
| 4.2.1 花卉图像预处理 | 第45-49页 |
| 4.2.2 Pool5层深度卷积特征的选取与融合 | 第49-51页 |
| 4.2.3 Relu5-2层深度卷积特征的选取与融合 | 第51-52页 |
| 4.2.4 多层特征的融合与分类 | 第52-53页 |
| 4.3 实验结果与分析 | 第53-56页 |
| 4.3.1 实验环境和数据 | 第53页 |
| 4.3.2 实验流程 | 第53-54页 |
| 4.3.3 实验结果与分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-60页 |
| 5.1 本文工作总结 | 第57-58页 |
| 5.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士期间发表的论文和参与的科研项目 | 第65-66页 |
| 致谢 | 第66-67页 |
