| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 论文研究内容 | 第15-16页 |
| 1.4 论文组织及结构 | 第16-17页 |
| 2 图像分类算法研究背景和理论基础 | 第17-28页 |
| 2.1 卷积神经网络 | 第17-18页 |
| 2.2 Alexnet和VGG-net | 第18-22页 |
| 2.3 R-CNN | 第22-23页 |
| 2.4 SVM | 第23-24页 |
| 2.5 图像标注 | 第24-28页 |
| 3 基于B-CNN模型的聚类 | 第28-43页 |
| 3.1 基于B-CNN模型的图像特征提取与分类 | 第28-37页 |
| 3.1.1 原理 | 第28-30页 |
| 3.1.2 环境与使用 | 第30-33页 |
| 3.1.3 svm分类器准确率的计算 | 第33-37页 |
| 3.2 CLR聚类算法 | 第37-38页 |
| 3.3 基于B-CNN模型的两种聚类策略 | 第38-43页 |
| 3.3.1 特征相似指导的聚类 | 第39-40页 |
| 3.3.2 分类错误指导的聚类 | 第40-43页 |
| 4 基于B-CNN模型的细粒度分类算法研究 | 第43-61页 |
| 4.1 基于B-CNN模型的进一步研究 | 第43-48页 |
| 4.1.1 降维的B-CNN特征应用于libsvm | 第43-46页 |
| 4.1.2 B-CNN模型svm分类器 | 第46-47页 |
| 4.1.3 B-CNN模型的几种无效改进 | 第47-48页 |
| 4.2 分类错误指导的分层B-CNN算法 | 第48-60页 |
| 4.2.1 数据集 | 第52-54页 |
| 4.2.2 实验方法 | 第54-55页 |
| 4.2.3 实验结果及分析 | 第55-60页 |
| 4.3 小结 | 第60-61页 |
| 5 总结和展望 | 第61-63页 |
| 5.1 本文工作总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 硕士研究生阶段取得的主要成果 | 第67页 |