| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究目的和意义 | 第9页 |
| 1.2 存在的难点分析 | 第9-10页 |
| 1.3 本文研究内容与创新点 | 第10-11页 |
| 1.3.1 本文的研究内容 | 第10-11页 |
| 1.3.2 本文的创新点 | 第11页 |
| 1.4 论文章节安排 | 第11-13页 |
| 第2章 花卉图像分类相关研究工作 | 第13-20页 |
| 2.1 传统的图像分类算法 | 第13-17页 |
| 2.1.1 图像特征提取方法 | 第13-14页 |
| 2.1.2 支持向量机 | 第14-16页 |
| 2.1.3 传统花卉图像分类方法的相关研究 | 第16-17页 |
| 2.2 基于深度学习的图像分类方法 | 第17-18页 |
| 2.2.1 基于深度学习的花卉图像分类方法的相关研究 | 第18页 |
| 2.3 花卉图像数据库 | 第18-19页 |
| 2.3.1 Oxford 102 Flowers数据库 | 第18页 |
| 2.3.2 Large-scale 79 Flowers数据库 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 卷积神经网络相关理论 | 第20-26页 |
| 3.1 卷积神经网络结构 | 第20-22页 |
| 3.1.1 卷积层 | 第20-21页 |
| 3.1.2 下采样层 | 第21页 |
| 3.1.3 全连接层 | 第21页 |
| 3.1.4 激活函数层 | 第21-22页 |
| 3.1.5 局部响应归一化层 | 第22页 |
| 3.2 解决过拟合方法 | 第22-24页 |
| 3.2.1 DROPOUT优化 | 第22-23页 |
| 3.2.2 正则化约束 | 第23-24页 |
| 3.2.3 数据增扩 | 第24页 |
| 3.3 CAFFE简介 | 第24-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第4章 基于卷积神经网络的花卉图像分类算法 | 第26-41页 |
| 4.1 数据预处理 | 第26-27页 |
| 4.2 针对花卉图像分类的卷积神经网络模型 | 第27-31页 |
| 4.2.1 conv1卷积层设计 | 第28-29页 |
| 4.2.2 conv2卷积层设计 | 第29页 |
| 4.2.3 conv3卷积层设计 | 第29-30页 |
| 4.2.4 conv4卷积层设计 | 第30页 |
| 4.2.5 conv5卷积层设计 | 第30页 |
| 4.2.6 全连接层设计 | 第30-31页 |
| 4.3 卷积神经网络的训练 | 第31-33页 |
| 4.4 花卉图像特征可视化 | 第33-39页 |
| 4.5 SVM分类器 | 第39-40页 |
| 4.6 本章小结 | 第40-41页 |
| 第5章 实验结果与分析 | 第41-47页 |
| 5.1 分类性能评价标准 | 第41页 |
| 5.2 实验设计 | 第41-42页 |
| 5.2.1 基于SVM多分类器的构造 | 第41-42页 |
| 5.3 实验结果与分析 | 第42-46页 |
| 5.3.1 分类结果与对比 | 第42-44页 |
| 5.3.2 实验结果比较与分析 | 第44-46页 |
| 5.4 本章小结 | 第46-47页 |
| 第6章 总结与展望 | 第47-49页 |
| 6.1 内容总结 | 第47页 |
| 6.2 研究展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第52-53页 |
| 致谢 | 第53页 |
