基于多模态表征的细粒度图像分类方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略词表 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 研究现状 | 第14-15页 |
| 1.3 本论文的工作 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关工作 | 第18-26页 |
| 2.1 细粒度图像分类方法 | 第18-23页 |
| 2.1.1 强监督模型 | 第18-20页 |
| 2.1.2 弱监督模型 | 第20-22页 |
| 2.1.3 利用文本信息的细粒度图像分类 | 第22-23页 |
| 2.2 多模态映射 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 基于多模态映射的细粒度图像分类 | 第26-36页 |
| 3.1 引言 | 第26页 |
| 3.2 文本表示学习 | 第26-31页 |
| 3.2.1 知识库表示学习 | 第26-29页 |
| 3.2.2 词向量的表示学习 | 第29-31页 |
| 3.3 多模态联合映射 | 第31-35页 |
| 3.3.1 模型介绍 | 第32页 |
| 3.3.2 模型训练优化 | 第32-35页 |
| 3.3.3 预测过程 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于多目标的双层卷积神经网络 | 第36-44页 |
| 4.1 检测网络 | 第36-39页 |
| 4.2 分类网络 | 第39-40页 |
| 4.3 基于多目标的双层网络的融合 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 实验与评估 | 第44-54页 |
| 5.1 算法实验与实验环境 | 第44页 |
| 5.2 实验数据 | 第44-45页 |
| 5.2.1 数据构建 | 第45页 |
| 5.3 实验结果和分析 | 第45-53页 |
| 5.3.1 实验设置 | 第46-47页 |
| 5.3.2 验证标准 | 第47页 |
| 5.3.3 实验对比 | 第47-50页 |
| 5.3.4 模型分析 | 第50-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-58页 |
| 6.1 本文工作总结 | 第54-55页 |
| 6.2 未来工作展望 | 第55-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 作者攻读硕士学位期间的研究成果 | 第66页 |
