| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-13页 |
| 1 引言 | 第13-24页 |
| 1.1 课题背景 | 第13-14页 |
| 1.2 课题意义 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-21页 |
| 1.3.1 BOV模型 | 第16-18页 |
| 1.3.2 深度学习模型 | 第18-21页 |
| 1.4 论文主要研究内容 | 第21-23页 |
| 1.4.1 前期工作 | 第21-22页 |
| 1.4.2 本文主要工作 | 第22-23页 |
| 1.5 论文整体框架结构 | 第23-24页 |
| 2 图像分类相关研究现状 | 第24-36页 |
| 2.1 SIFT特征 | 第24-27页 |
| 2.1.1 DOG-SIFT特征 | 第24-26页 |
| 2.1.2 DENSE-SIFT特征 | 第26-27页 |
| 2.2 全局特征FISHER VECTOR | 第27-31页 |
| 2.2.1 FISHER KERNEL | 第27页 |
| 2.2.2 FISHER VECTOR在图像中的应用 | 第27-31页 |
| 2.3 所用分类器 | 第31-32页 |
| 2.3.1 KNN分类器 | 第31-32页 |
| 2.3.2 SVM支持向量机 | 第32页 |
| 2.4 实验数据集 | 第32-35页 |
| 2.4.1 PASCAL VOC 2007 | 第32-33页 |
| 2.4.2 CALTECH 256 | 第33-35页 |
| 2.4.3 BERKELEY MULTIVIEW WIRELESS(BMW)DATABASE | 第35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 基于显著区域的特征选择方法 | 第36-50页 |
| 3.1 基于显著区域的特征选择方法 | 第36-41页 |
| 3.1.1 基于显著区域的特征选择方法框架 | 第36-37页 |
| 3.1.2 显著区域提取算法 | 第37-39页 |
| 3.1.3 基于上下文信息的显著区域矩形框选择策略 | 第39-40页 |
| 3.1.4 高斯平滑参数的选取 | 第40-41页 |
| 3.2 基于DOG-SIFT的特征选择结果 | 第41-45页 |
| 3.2.1 DOG-SIF特征 | 第41-42页 |
| 3.2.2 实验结果与分析 | 第42-45页 |
| 3.3 基于DENSE-SIFT特征选择结果 | 第45-48页 |
| 3.3.1 DENSE-SIFT特征 | 第45页 |
| 3.3.2 实验结果与分析 | 第45-48页 |
| 3.4 总体实验结果 | 第48页 |
| 3.5 本章小结 | 第48-50页 |
| 4 基于目标检测的特征选择方法 | 第50-62页 |
| 4.1 基于目标检测的特征选择方法 | 第50-55页 |
| 4.1.1 基于目标检测的特征选择方法框架 | 第50-51页 |
| 4.1.2 目标检测-BING算法 | 第51-52页 |
| 4.1.3 目标检测结果展示 | 第52-55页 |
| 4.2 基于DOG-SIFT的特征选择结果 | 第55-58页 |
| 4.2.1 DOG-SIFT特征 | 第55页 |
| 4.2.2 实验结果与分析 | 第55-58页 |
| 4.3 基于DENSE-SIFT的特征选择结果 | 第58-60页 |
| 4.3.1 DENSE-SIFT特征 | 第58页 |
| 4.3.2 实验结果与分析 | 第58-60页 |
| 4.4 总体实验结果 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 5 总结 | 第62-65页 |
| 5.1 本文工作总结 | 第62页 |
| 5.2 未来的展望 | 第62-65页 |
| 参考文献 | 第65-69页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
