| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 图像分类的研究现状 | 第10-11页 |
| 1.2.2 小样本分类的研究现状 | 第11页 |
| 1.2.3 图像预处理的研究现状 | 第11-13页 |
| 1.3 论文的研究内容和组织结构 | 第13-15页 |
| 1.3.1 论文的研究内容 | 第13-14页 |
| 1.3.2 论文的组织结构 | 第14-15页 |
| 2 小样本分类模型及预处理对比分析 | 第15-22页 |
| 2.1 小样本图像分类流程 | 第15页 |
| 2.2 改进的图像预处理算法及对比分析 | 第15-17页 |
| 2.2.1 图像去噪技术 | 第15-16页 |
| 2.2.2 边缘检测 | 第16-17页 |
| 2.2.3 图像预处理对图像识别的影响 | 第17页 |
| 2.3 图像数据扩充算法对比 | 第17-20页 |
| 2.3.1 传统数据扩充技术 | 第18-19页 |
| 2.3.2 生成模型的数据扩充 | 第19-20页 |
| 2.4 迁移学习在小样本分类识别中的研究应用 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 改进的图像数据集预处理方法 | 第22-39页 |
| 3.1 基于小波分析与数学形态学的边缘检测 | 第22-29页 |
| 3.1.1 多方向的数学形态学 | 第22-24页 |
| 3.1.2 基于小波变换的高频图像信息分析 | 第24-28页 |
| 3.1.3 用“代数”算法实现边缘检测的图像融合 | 第28-29页 |
| 3.2 基于二维经验模态分解与稀疏表示的融合去噪 | 第29-34页 |
| 3.2.1 二维经验模态分解 | 第29-32页 |
| 3.2.2 稀疏表示与字典学习 | 第32-33页 |
| 3.2.3 融合模型去噪过程 | 第33-34页 |
| 3.3 实验结果与分析 | 第34-38页 |
| 3.3.1 对噪声图像进行去噪分析 | 第34-36页 |
| 3.3.2 对去噪后图像进行边缘检测分析 | 第36-37页 |
| 3.3.3 本文算法与其它算法比较 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于生成对抗网络的小样本图像数据量扩增 | 第39-50页 |
| 4.1 生成式对抗网络的介绍 | 第39-40页 |
| 4.2 生成对抗网络试验与分析 | 第40-46页 |
| 4.2.1 卷积神经网络基本介绍 | 第40-41页 |
| 4.2.2 生成对抗网络生成手写数字试验 | 第41-44页 |
| 4.2.3 加入批处理化(Batch Normalisation)的卷积生成对抗模型的试验 | 第44-46页 |
| 4.3 条件生成对抗网络进行图像样本增强 | 第46-48页 |
| 4.4 模糊生成数据集的图像处理 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 基于迁移学习融合模型的小样本图像分类 | 第50-60页 |
| 5.1 实验环境及数据介绍 | 第50-51页 |
| 5.1.1 实验环境 | 第50页 |
| 5.1.2 实验数据 | 第50-51页 |
| 5.2 卷积神经网络与迁移学习的对比试验分析 | 第51-59页 |
| 5.2.1 卷积神经网络与全连接分类简单对比实验 | 第51-52页 |
| 5.2.2 卷积神经网络与迁移学习实验对比 | 第52-54页 |
| 5.2.3 加入生成模型的图像分类实验研究 | 第54-59页 |
| 5.3 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读学位期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66-67页 |