| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第18-23页 |
| 1.1 研究背景与研究意义 | 第18-19页 |
| 1.2 研究现状 | 第19-20页 |
| 1.3 论文主要贡献 | 第20-22页 |
| 1.4 论文主要结构 | 第22-23页 |
| 第二章 特征编码与卷积神经网络模型概述 | 第23-44页 |
| 2.1 用作特征变换的特征编码模型 | 第23-27页 |
| 2.1.1 常用的用于特征变换的特征编码方法 | 第25-27页 |
| 2.2 用于分类器的特征编码模型 | 第27-34页 |
| 2.2.1 非字典学习分类器模型 | 第28-32页 |
| 2.2.2 字典学习分类器模型 | 第32-34页 |
| 2.3 深度神经网络的介绍 | 第34-36页 |
| 2.4 深度卷积神经网络的一般结构 | 第36-39页 |
| 2.5 现有的先进性能的卷积神经网络模型 | 第39-41页 |
| 2.6 卷积神经网络中的优化算法 | 第41-42页 |
| 2.7 本章小结 | 第42-44页 |
| 第三章 卷积稀疏编码分类器模型 | 第44-55页 |
| 3.1 引言 | 第44-45页 |
| 3.2 卷积稀疏编码分类模型 | 第45-50页 |
| 3.2.1 模型细节 | 第45-47页 |
| 3.2.2 优化方案 | 第47-50页 |
| 3.3 实验结果 | 第50-53页 |
| 3.3.1 MNIST手写数字分类 | 第50-53页 |
| 3.3.2 CIFAR-10目标识别 | 第53页 |
| 3.4 本章小节 | 第53-55页 |
| 第四章 基于可导支持向量函数的判决字典对学习模型 | 第55-72页 |
| 4.1 引言 | 第55-57页 |
| 4.2 字典对学习模型 | 第57页 |
| 4.3 DPL-SV模型 | 第57-63页 |
| 4.3.1 DPL-SV模型的数学表达式 | 第58-59页 |
| 4.3.2 DPL-SV模型的优化策略 | 第59-62页 |
| 4.3.3 DPL-SV模型的分类方案 | 第62-63页 |
| 4.3.4 DPL-SV模型和DPL模型之间的对比 | 第63页 |
| 4.4 图像识别实验 | 第63-70页 |
| 4.4.1 实验设置和数据集介绍 | 第63-66页 |
| 4.4.2 DPL-SV模型的收敛性分析 | 第66页 |
| 4.4.3 SVM,DPL,DPL+SVM和DPL-SV的实验对比 | 第66-67页 |
| 4.4.4 图像分类结果 | 第67-69页 |
| 4.4.5 时间复杂度分析 | 第69-70页 |
| 4.5 本章小结 | 第70-72页 |
| 第五章 端到端训练的具有空间金字塔池化的稀疏编码网络的图像识别模型 | 第72-87页 |
| 5.1 引言 | 第72-73页 |
| 5.2 相关的工作 | 第73-75页 |
| 5.2.1 SIFT和卷积神经网络特征 | 第74页 |
| 5.2.2 ScSPM模型中的稀疏编码框架 | 第74-75页 |
| 5.3 E2E-SCN-SPP模型 | 第75-80页 |
| 5.3.1 一个新的L+FISTA网络 | 第75-78页 |
| 5.3.2 E2E-SCN-SPP模型的前向运算过程 | 第78-79页 |
| 5.3.3 E2E-SCN-SPP模型的反向传播运算 | 第79-80页 |
| 5.3.4 E2E-SCN-SPP模型和ScSPM模型之间的对比 | 第80页 |
| 5.4 实验结果 | 第80-84页 |
| 5.4.1 实验设置和数据集介绍 | 第80-81页 |
| 5.4.2 参数的初始化方案 | 第81页 |
| 5.4.3 一些重要影响因子的分析 | 第81-83页 |
| 5.4.4 SIFT-ScSPM模型,CNN-ScSPM模型和E2E-SCN-SPP模型的实验对比 | 第83页 |
| 5.4.5 与其他先进方法的对比 | 第83-84页 |
| 5.5 本章小节 | 第84-87页 |
| 第六章 基于局部相关和二阶VLAD网络的图像识别模型 | 第87-113页 |
| 6.1 引言 | 第87-91页 |
| 6.2 NetVLAD模型 | 第91-93页 |
| 6.3 所提出的端到端特征编码网络 | 第93-99页 |
| 6.3.1 局部相关的软分配编码层(LSAC) | 第93-95页 |
| 6.3.2 仿射子空间层 | 第95-96页 |
| 6.3.3 二阶统计量层 | 第96-97页 |
| 6.3.4 完整的LSO-VLADNet模型 | 第97-98页 |
| 6.3.5 M-LSO-VLADNet模型 | 第98-99页 |
| 6.4 实验结果 | 第99-112页 |
| 6.4.1 数据集介绍 | 第100-101页 |
| 6.4.2 实验细节 | 第101-102页 |
| 6.4.3 一些重要因子的评估 | 第102-104页 |
| 6.4.4 NetVLAD模型和LSO-VLADNet模型之间的统计测试 | 第104页 |
| 6.4.5 多路卷积特征的分析 | 第104-105页 |
| 6.4.6 与其他先进方法的实验对比 | 第105-110页 |
| 6.4.7 运行时间对比 | 第110-111页 |
| 6.4.8 初始化时间分析 | 第111-112页 |
| 6.5 本章小节 | 第112-113页 |
| 第七章 总结和未来展望 | 第113-115页 |
| 参考文献 | 第115-127页 |
| 攻读博士学位期间取得的研究成果 | 第127-129页 |
| 致谢 | 第129-130页 |
| 附件 | 第130页 |
