| 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 |
