| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 视觉领域的深度学习算法研究现状 | 第10-11页 |
| 1.2.2 昆虫识别研究现状 | 第11-12页 |
| 1.2.3 昆虫目标分割研究现状 | 第12-13页 |
| 1.3 存在问题及研究内容 | 第13-15页 |
| 1.4 本文的组织结构和主要创新点 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 计算机视觉中的深度学习算法概览 | 第17-24页 |
| 2.1 引言 | 第17页 |
| 2.2 深度卷积神经网络 | 第17-23页 |
| 2.2.1 卷积神经网络结构单元 | 第18-20页 |
| 2.2.2 深度卷积神经网络结构 | 第20-22页 |
| 2.2.3 网络参数训练 | 第22-23页 |
| 2.3 MatConvNet深度学习框架 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于FCN的鳞翅目昆虫图像前背景分割 | 第24-34页 |
| 3.1 引言 | 第24页 |
| 3.2 基于FCN的图像鳞翅目前背景分割 | 第24-28页 |
| 3.2.1 全卷积神经网络 | 第24-27页 |
| 3.2.2 基于全卷积网络的鳞翅目前背景分割模型 | 第27-28页 |
| 3.3 分割结果评价指标 | 第28-29页 |
| 3.4 鳞翅目昆虫图像前背景分割实验设计及结果评估 | 第29-33页 |
| 3.4.1 鳞翅目昆虫前背景分割数据集 | 第29-30页 |
| 3.4.2 实验设计 | 第30页 |
| 3.4.3 分割结果评价 | 第30-32页 |
| 3.4.4 优化分割结果 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于CNN的鳞翅目昆虫图像识别 | 第34-43页 |
| 4.1 基于传统方法的鳞翅目昆虫识别 | 第34-36页 |
| 4.1.1 传统鳞翅目昆虫图像特征提取 | 第34-36页 |
| 4.1.2 特征分类器 | 第36页 |
| 4.2 基于DCNN的端到端鳞翅目昆虫识别 | 第36-40页 |
| 4.2.1 端到端的DCNN分类框架 | 第36-38页 |
| 4.2.2 网络参数迭代学习 | 第38-40页 |
| 4.3 基于CNN特征的鳞翅目昆虫识别 | 第40-42页 |
| 4.3.1 基于CNN特征的分类框架 | 第40-41页 |
| 4.3.2 训练x~2核SVM分类器 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 鳞翅目昆虫图像识别实验分析 | 第43-52页 |
| 5.1 数据集准备 | 第43-45页 |
| 5.1.1 鳞翅目昆虫图像分类样本集 | 第43-44页 |
| 5.1.2 鳞翅目昆虫前景图像分类样本集 | 第44-45页 |
| 5.2 鳞翅目昆虫图像识别实验设计及结果评估 | 第45-51页 |
| 5.2.1 基于端到端CNN分类实验设计 | 第45-49页 |
| 5.2.2 基于CNN特征提取+SVM的识别实验设计 | 第49页 |
| 5.2.3 前背景分割对识别结果的影响实验设计 | 第49-50页 |
| 5.2.4 识别结果评价 | 第50-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 未来工作 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录1 攻读硕士期间发表的论文 | 第57页 |
| 附录2 攻读硕士期间参加的科研项目 | 第57-58页 |
| 致谢 | 第58-59页 |