| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-30页 |
| 1.1 研究背景与意义 | 第10-14页 |
| 1.1.1 研究背景 | 第10-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-23页 |
| 1.2.1 纹身研究现状 | 第14-17页 |
| 1.2.2 深度学习研究现状 | 第17-23页 |
| 1.2.3 深度学习与纹身图像的契合性分析 | 第23页 |
| 1.3 论文的主要工作 | 第23-28页 |
| 1.3.1 研究思路 | 第23-25页 |
| 1.3.2 主要研究内容 | 第25-28页 |
| 1.4 论文结构安排 | 第28-30页 |
| 第2章 相关理论的基本技术和方法 | 第30-52页 |
| 2.1 图像底层特征表达 | 第30-37页 |
| 2.1.1 颜色特征 | 第30-32页 |
| 2.1.2 形状特征 | 第32-33页 |
| 2.1.3 纹理特征 | 第33-37页 |
| 2.2 词包模型 | 第37-38页 |
| 2.3 空间金字塔概述 | 第38-39页 |
| 2.4 深度置信网络概述 | 第39-43页 |
| 2.4.1 受限波尔兹曼机 | 第40-42页 |
| 2.4.2 深度置信网络模型 | 第42-43页 |
| 2.5 卷积神经网络 | 第43-47页 |
| 2.5.1 卷积神经网络的结构 | 第43-46页 |
| 2.5.2 卷积神经网络的计算 | 第46-47页 |
| 2.6 图像数据集 | 第47-50页 |
| 2.6.1 NIST数据集 | 第47-48页 |
| 2.6.2 Flickr数据集 | 第48-50页 |
| 2.7 本章小结 | 第50-52页 |
| 第3章 深度学习算法在纹身图像检测中的比较研究 | 第52-74页 |
| 3.1 纹身图像概述 | 第52-57页 |
| 3.1.1 纹身图像的特点 | 第53-54页 |
| 3.1.2 纹身图案的分类 | 第54-57页 |
| 3.2 深度学习算法 | 第57-65页 |
| 3.2.1 卷积神经网络 | 第57-59页 |
| 3.2.2 深度置信网络 | 第59-62页 |
| 3.2.3 稀疏编码 | 第62-63页 |
| 3.2.4 自动编码机 | 第63-65页 |
| 3.3 对比实验与分析 | 第65-72页 |
| 3.3.1 数据集 | 第65-66页 |
| 3.3.2 实验结果 | 第66-67页 |
| 3.3.3 结果比较与分析 | 第67-72页 |
| 3.4 本章小结 | 第72-74页 |
| 第4章 基于多特征融合的DBN纹身图像检测改进算法 | 第74-104页 |
| 4.1 基于多特征融合的DBN纹身图像检测改进算法（MF-DBN） | 第75-78页 |
| 4.1.1 特征选取 | 第75页 |
| 4.1.2 深度置信网络分类器构建 | 第75-78页 |
| 4.2 基于视觉词包的DBN纹身图像检测改进算法（BOVW-DBN） | 第78-85页 |
| 4.2.1 SIFT特征选取 | 第78-81页 |
| 4.2.2 构建BOVW词包 | 第81-82页 |
| 4.2.3 BOVW-DBN算法 | 第82-85页 |
| 4.3 基于空间金字塔的DBN纹身图像检测改进算法（SP-DBN） | 第85-88页 |
| 4.3.1 空间金字塔构建 | 第85-86页 |
| 4.3.2 SP-DBN算法 | 第86-88页 |
| 4.4 基于深度置信网络改进算法在Caltech 101 分类中的应用 | 第88-93页 |
| 4.4.1 三种改进算法在Caltech 101 上的分类结果 | 第90-93页 |
| 4.4.2 三种改进算法在Caltech 101 上的结果比较与分析 | 第93页 |
| 4.5 基于深度置信网络改进算法在纹身图像检测中的应用 | 第93-102页 |
| 4.5.1 三种改进算法在NIST上的分类结果 | 第94-95页 |
| 4.5.2 三种改进算法在Flickr上的分类结果 | 第95-97页 |
| 4.5.3 纹身数据集分类结果比较与分析 | 第97-102页 |
| 4.6 本章小结 | 第102-104页 |
| 第5章 基于全连接层的CNN纹身图像检测改进算法 | 第104-140页 |
| 5.1 卷积神经网络基本结构 | 第105-106页 |
| 5.1.1 深度卷积神经网络的一般结构 | 第105-106页 |
| 5.1.2 深度卷积神经网络的优缺点 | 第106页 |
| 5.2 基于卷积神经网络的改进算法 | 第106-126页 |
| 5.2.1 图像预处理 | 第107-110页 |
| 5.2.2 基础纹身卷积神经网络结构(T-CNN)设计 | 第110-111页 |
| 5.2.3 基于多通道全连接层融合的CNN设计（CFT-CNN） | 第111-112页 |
| 5.2.4 实验与结果分析 | 第112-126页 |
| 5.3 基于三通道RCNN的纹身检测（CFT Faster R-CNN） | 第126-138页 |
| 5.3.1 Faster R-CNN | 第126-127页 |
| 5.3.2 CFT Faster R-CNN纹身检测算法 | 第127-129页 |
| 5.3.3 CFT Faster R-CNN实验 | 第129-138页 |
| 5.4 本章小结 | 第138-140页 |
| 第6章 总结与展望 | 第140-145页 |
| 6.1 论文工作总结 | 第140-144页 |
| 6.2 工作展望 | 第144-145页 |
| 致谢 | 第145-146页 |
| 参考文献 | 第146-154页 |
| 攻读学位期间的研究成果 | 第154页 |
