基于深度学习的细粒度图像识别算法研究及应用
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 计算机视觉算法 | 第9-10页 |
| 1.2.2 目标检测 | 第10-12页 |
| 1.2.3 细粒度图像识别 | 第12-13页 |
| 1.2.4 猪体身份识别 | 第13-14页 |
| 1.3 存在问题及研究内容 | 第14页 |
| 1.4 本文的组织结构和主要创新点 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 卷积神经网络技术与理论综述 | 第16-29页 |
| 2.1 神经网络 | 第16-18页 |
| 2.1.1 神经元模型 | 第16-17页 |
| 2.1.2 神经网络 | 第17-18页 |
| 2.2 卷积神经网络 | 第18-24页 |
| 2.2.1 卷积神经网络概述 | 第18页 |
| 2.2.2 卷积神经网络的层级结构 | 第18-24页 |
| 2.3 网络的训练 | 第24-27页 |
| 2.3.1 网络参数的初始化 | 第24-25页 |
| 2.3.2 网络参数的训练 | 第25-27页 |
| 2.3.3 迁移学习 | 第27页 |
| 2.4 Tensorflow深度学习框架 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于检测的猪体图像前背景分离 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 目标检测的相关技术 | 第30-31页 |
| 3.2.1 交并比 | 第30-31页 |
| 3.2.2 非极大值抑制 | 第31页 |
| 3.3 YOLO目标检测算法 | 第31-36页 |
| 3.3.1 YOLO的网络结构 | 第32-33页 |
| 3.3.2 YOLO网络的输出 | 第33-35页 |
| 3.3.3 YOLO的损失函数 | 第35-36页 |
| 3.3.4 YOLO网络的训练 | 第36页 |
| 3.4 对YOLO目标检测算法的改进 | 第36-37页 |
| 3.5 实验设计及结果评估 | 第37-40页 |
| 3.5.1 数据集 | 第37页 |
| 3.5.2 实验效果及实验分析 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于双线性特征融合的细粒度猪体图像识别 | 第41-52页 |
| 4.1 引言 | 第41页 |
| 4.2 基于双线性卷积神经网络的细粒度识别 | 第41-46页 |
| 4.2.1 双线性图像识别模型 | 第42-43页 |
| 4.2.2 双线性卷积神经网络的结构 | 第43-45页 |
| 4.2.3 双线性特征的传播过程 | 第45-46页 |
| 4.3 基于特征融合的双线性网络 | 第46-49页 |
| 4.3.1 特征融合的思想 | 第46-48页 |
| 4.3.2 双线性特征融合卷积神经网络 | 第48-49页 |
| 4.4 双线性特征融合图像识别模型 | 第49-51页 |
| 4.4.1 双线性特征融合卷积神经网络 | 第49-50页 |
| 4.4.2 双线性特征融合模型的训练 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 细粒度猪体图像识别实验及分析 | 第52-57页 |
| 5.1 数据集 | 第52页 |
| 5.2 实验过程 | 第52-53页 |
| 5.3 评价标准 | 第53-54页 |
| 5.4 实验结果及分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 未来工作 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 附录1 攻读硕士期间参加的科研项目 | 第62-63页 |
| 致谢 | 第63-64页 |
