首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于多尺度卷积特征匹配的细粒度分类研究

摘要第5-6页
ABSTRACT第6-7页
第一章 绪论第10-16页
    1.1 研究背景第10-11页
    1.2 国内外研究现状第11-13页
    1.3 细粒度物体分类的研究意义第13-14页
    1.4 本文主要研究内容及主要结构安排第14-16页
第二章 细粒度分类相关理论介绍第16-28页
    2.1 细粒度图像分类技术研究第16-19页
        2.1.1 图像预处理第16-17页
        2.1.2 特征提取第17页
        2.1.3 分类器构造第17-19页
    2.2 细粒度分类常用特征匹配技术第19-25页
        2.2.1 LBP特征第19-20页
        2.2.2 HOG特征第20-22页
        2.2.3 SIFT特征第22-25页
    2.3 现有细粒度分类算法第25-27页
        2.3.1 基于视觉词袋的细粒度分类第25-26页
        2.3.2 基于卷积神经网络的细粒度分类第26-27页
    2.4 本章小结第27-28页
第三章 基于卷积神经网络的细粒度分类设计与实现第28-43页
    3.1 人工神经网络第28-34页
        3.1.1 神经网络第28-30页
        3.1.2 感知器第30-31页
        3.1.3 深度神经网络第31-32页
        3.1.4 卷积神经网络第32-34页
    3.2 基于卷积神经网络的细粒度分类第34-39页
        3.2.1 卷积层的设计第36-37页
        3.2.2 池化层的设计第37-38页
        3.2.3 激活函数的设计第38-39页
    3.3 实验结果与分析第39-42页
        3.3.1 CUB-200-2011数据集实验结果第40-41页
        3.3.2 Stanford Dogs Dataset数据集实验结果第41-42页
    3.4 本章小结第42-43页
第四章 基于多尺度卷积特征匹配的细粒度分类研究第43-57页
    4.1 提取对象区域候选第43-44页
    4.2 生成局部候选第44-47页
    4.3 多尺度图像表示第47-49页
        4.3.1 生成聚类簇第47-49页
        4.3.2 计算集群重要性第49页
    4.4 基于多尺度卷积特征匹配的细粒度分类第49-51页
    4.5 实验结果与分析第51-56页
        4.5.1 CUB-200-2011数据集实验结果第52-54页
        4.5.2 Stanford Dogs Dataset数据集实验结果第54-56页
    4.6 本章小结第56-57页
第五章 总结与展望第57-59页
    5.1 本文工作总结第57-58页
    5.2 下一步工作展望第58-59页
参考文献第59-63页
致谢第63-65页
附录 (攻读硕士学位期间发表和录用的学术论文)第65页

论文共65页,点击 下载论文
上一篇:基于TF-IDF及LSI的主观题自动评分系统的研究--以系统建模与仿真课程为例
下一篇:无线电移动监测系统的设计及其测向方法的研究