| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 课题研究的目的和意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-20页 |
| 1.3.1 粗粒度图像分类的研究现状 | 第12-14页 |
| 1.3.2 细粒度图像分类的研究现状 | 第14-17页 |
| 1.3.3 混合粒度图像分类的研究现状 | 第17-20页 |
| 1.4 本课题的目标和主要工作 | 第20-21页 |
| 1.5 章节安排 | 第21-22页 |
| 第二章 图像分类方法概述 | 第22-38页 |
| 2.1 传统方法概述 | 第22-24页 |
| 2.2 编码策略 | 第24-31页 |
| 2.2.1 早期编码方法 | 第24-28页 |
| 2.2.2 LSA编码 | 第28页 |
| 2.2.3 FV编码 | 第28-31页 |
| 2.3 池化策略 | 第31-32页 |
| 2.4 卷积神经网络模型 | 第32-37页 |
| 2.4.1 基于AlexNet的卷积神经网络模型 | 第35-36页 |
| 2.4.2 基于GoogLeNet的卷积神经网络模型 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 VegFru图像数据库 | 第38-56页 |
| 3.1 VegFru数据库概述 | 第38页 |
| 3.2 数据库结构 | 第38-40页 |
| 3.2.1 VegFru层次类别 | 第39页 |
| 3.2.2 VegFru分类法 | 第39-40页 |
| 3.3 构造数据库 | 第40-43页 |
| 3.3.1 构造原则 | 第41-42页 |
| 3.3.2 图像搜集 | 第42-43页 |
| 3.3.3 图像整理 | 第43页 |
| 3.3.4 图像划分 | 第43页 |
| 3.4 VeFru与ImageNet | 第43-46页 |
| 3.4.1 数据库的结构 | 第44页 |
| 3.4.2 数据库的分类法 | 第44-45页 |
| 3.4.3 图片的选择 | 第45-46页 |
| 3.5 数据库应用前景和难点 | 第46-48页 |
| 3.6 数据库的基本实验 | 第48-54页 |
| 3.6.1 基于传统特征模型的基本实验 | 第49-50页 |
| 3.6.2 基于卷积神经网络模型的基本实验 | 第50-54页 |
| 3.7 本章小结 | 第54-56页 |
| 第四章 基于自上而下注意图分割的混合粒度图像分类 | 第56-64页 |
| 4.1 模型概述 | 第56-57页 |
| 4.2 自上而下注意图的生成 | 第57-59页 |
| 4.3 基于注意图的分割模型 | 第59-62页 |
| 4.4 混合粒度图像分类模型 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 在读期间发表的学术论文与取得的科研成果 | 第74页 |