| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 主要符号对照表 | 第7-8页 |
| 第1章 引言 | 第8-12页 |
| 1.1 研究背景 | 第8-10页 |
| 1.1.1 图像特征表示方法及研究现状 | 第8-9页 |
| 1.1.2 深度特征表示方法及研究现状 | 第9-10页 |
| 1.2 本文主要工作 | 第10-11页 |
| 1.3 本文组织结构 | 第11-12页 |
| 第2章 相关研究综述 | 第12-28页 |
| 2.1 卷积神经网络及相关实现概述 | 第12-21页 |
| 2.1.1 神经网络 | 第12-13页 |
| 2.1.2 卷积神经网络 | 第13-18页 |
| 2.1.3 基于区域的卷积神经网络 | 第18-19页 |
| 2.1.4 快速区域卷积神经网络 | 第19-20页 |
| 2.1.5 更快速区域卷积神经网络 | 第20-21页 |
| 2.2 基于卷积神经网络的特征抽取方法概述 | 第21-25页 |
| 2.2.1 使用卷积神经网络抽取全局特征 | 第21-22页 |
| 2.2.2 使用特征映射作为局部特征 | 第22-23页 |
| 2.2.3 使用区域特征作为局部特征 | 第23-24页 |
| 2.2.4 其他基于深度特征的改进 | 第24-25页 |
| 2.3 图像局部特征的聚合与编码 | 第25-27页 |
| 2.3.1 图像局部特征聚合方法 | 第26页 |
| 2.3.2 图像局部特征编码方法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于局部区域检测的深度特征抽取方法 | 第28-52页 |
| 3.1 问题分析和解决思路 | 第28-31页 |
| 3.1.1 问题描述与难点分析 | 第28-30页 |
| 3.1.2 基本解决思路 | 第30-31页 |
| 3.2 实现流程 | 第31-40页 |
| 3.2.1 局部区域检测 | 第32-34页 |
| 3.2.2 感兴趣区域特征编码 | 第34-37页 |
| 3.2.3 基于Fast-RCNN的局部特征编码与聚合 | 第37页 |
| 3.2.4 基于改进VLAD的局部特征编码与聚合 | 第37-40页 |
| 3.3 实验分析 | 第40-51页 |
| 3.3.1 数据集介绍 | 第40-42页 |
| 3.3.2 基准方法及实现细节 | 第42-44页 |
| 3.3.3 衡量指标 | 第44页 |
| 3.3.4 实验结果及分析 | 第44-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第4章 基于多路卷积神经网络的特征学习方法 | 第52-70页 |
| 4.1 问题分析和解决思路 | 第52-54页 |
| 4.1.1 问题描述与难点分析 | 第52-53页 |
| 4.1.2 基本解决思路 | 第53-54页 |
| 4.2 实现流程 | 第54-61页 |
| 4.2.1 图像区域三元组生成 | 第55-58页 |
| 4.2.2 多路卷积神经网络训练 | 第58-60页 |
| 4.2.3 图像深度特征抽取 | 第60-61页 |
| 4.3 实验分析 | 第61-69页 |
| 4.3.1 数据集介绍及衡量指标 | 第61-63页 |
| 4.3.2 实验设置及基准方法 | 第63-64页 |
| 4.3.3 实验结果及分析 | 第64-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第5章 论文工作总结与展望 | 第70-72页 |
| 5.1 工作总结 | 第70-71页 |
| 5.2 工作展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-77页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第77页 |