| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 本文研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 本文研究内容和结构安排 | 第15-18页 |
| 1.3.1 本文研究内容 | 第15-16页 |
| 1.3.2 本文结构 | 第16-18页 |
| 第2章 基于multi-BING算法的物体检测 | 第18-32页 |
| 2.1 物体检测的基本理论 | 第18页 |
| 2.2 基于BING算法的物体检测 | 第18-25页 |
| 2.2.1 基于支持向量机的分类 | 第19-21页 |
| 2.2.2 基于NG算法的训练过程 | 第21-24页 |
| 2.2.3 基于BING算法的训练过程 | 第24-25页 |
| 2.3 基于multi-BING特征模型的物体检测 | 第25-31页 |
| 2.3.1 训练图像的特征提取 | 第26-27页 |
| 2.3.2 训练数据的K均值聚类 | 第27-30页 |
| 2.3.3 multi-BING特征模型的建立 | 第30页 |
| 2.3.4 检测结果的融合 | 第30-31页 |
| 2.4 小结 | 第31-32页 |
| 第3章 基于卷积神经网络的多标签图像分类 | 第32-56页 |
| 3.1 卷积神经网络基本理论 | 第32-36页 |
| 3.1.1 人工神经网络基础理论 | 第32-33页 |
| 3.1.2 卷积神经网络的基本结构 | 第33-36页 |
| 3.2 卷积神经网络的相关算法 | 第36-42页 |
| 3.2.1 反向传播算法 | 第36-40页 |
| 3.2.2 Softmax分类器 | 第40-42页 |
| 3.2.3 局部响应归一化 | 第42页 |
| 3.3 基于FastR-CNN模型的多标签图像分类 | 第42-49页 |
| 3.3.1 FastR-CNN网络模型结构 | 第43-47页 |
| 3.3.2 非线性激活函数的选取 | 第47-49页 |
| 3.4 基于FasterR-CNN模型的多标签图像分类 | 第49-54页 |
| 3.4.1 FasterR-CNN网络模型结构 | 第49-51页 |
| 3.4.2 softerNMS算法 | 第51-54页 |
| 3.5 小结 | 第54-56页 |
| 第4章 实验结果与分析 | 第56-72页 |
| 4.1 实验数据集 | 第56-57页 |
| 4.2 客观评价标准 | 第57-58页 |
| 4.3 实验环境 | 第58页 |
| 4.4 实验结果分析 | 第58-71页 |
| 4.4.1 基于multi-BING算法的物体检测 | 第58-62页 |
| 4.4.2 基于FastR-CNN模型的多标签图像分类 | 第62-67页 |
| 4.4.3 基于FasterR-CNN模型的多标签图像分类 | 第67-71页 |
| 4.5 小结 | 第71-72页 |
| 第5章 总结与展望 | 第72-74页 |
| 5.1 工作总结 | 第72-73页 |
| 5.2 未来工作 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 作者简介 | 第80-82页 |
| 致谢 | 第82页 |
