| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第18-32页 |
| 1.1 研究背景与意义 | 第18-23页 |
| 1.2 国内外相关工作研究进展 | 第23-29页 |
| 1.2.1 传统的基于视觉词袋模型的图像分类方法 | 第23-25页 |
| 1.2.2 基于深层卷积神经网络的图像分类方法 | 第25-27页 |
| 1.2.3 深层卷积神经网络和传统方法相结合的图像分类方法 | 第27-29页 |
| 1.3 本论文的主要难点和研究内容 | 第29-32页 |
| 2 高斯流形及局部对数欧氏高斯描述子 | 第32-53页 |
| 2.1 引言 | 第32-33页 |
| 2.2 李群的相关概念 | 第33-35页 |
| 2.2.1 李群 | 第33-34页 |
| 2.2.2 矩阵群 | 第34-35页 |
| 2.2.3 GL~+(1)上的对数-欧氏定理 | 第35页 |
| 2.3 高斯流形的李群结构与高斯嵌入 | 第35-41页 |
| 2.3.1 高斯流形的李群结构 | 第35-37页 |
| 2.3.2 两种基于李群理论的高斯分布嵌入方法 | 第37-41页 |
| 2.4 局部对数欧氏高斯描述子 | 第41-43页 |
| 2.4.1 估计局部高斯分布 | 第41-42页 |
| 2.4.2 计算嵌入矩阵及计算复杂性分析 | 第42-43页 |
| 2.5 局部对数欧氏高斯描述子在图像分类中的应用 | 第43-52页 |
| 2.5.1 实验设置 | 第43-44页 |
| 2.5.2 不同高斯嵌入方法的比较 | 第44-45页 |
| 2.5.3 不同图像局部特征的比较 | 第45-48页 |
| 2.5.4 与经典的图像分类方法比较 | 第48-52页 |
| 2.6 本章小结 | 第52-53页 |
| 3 基于高斯分布建模的无码本模型用于图像分类 | 第53-72页 |
| 3.1 引言 | 第53-54页 |
| 3.2 基于高斯分布的无码本模型 | 第54-59页 |
| 3.2.1 高斯分布建模 | 第55页 |
| 3.2.2 两步法度量高斯分布之间的距离 | 第55-56页 |
| 3.2.3 带参数的两步度量法 | 第56-58页 |
| 3.2.4 高斯流形上的低秩学习 | 第58-59页 |
| 3.3 基于显著性检测的部分背景移除 | 第59-60页 |
| 3.4 无码本模型的计算复杂性分析 | 第60-61页 |
| 3.5 实验结果与分析 | 第61-71页 |
| 3.5.1 实验设置 | 第61页 |
| 3.5.2 方法和参数评估 | 第61-65页 |
| 3.5.3 与当前最优的方法比较 | 第65-71页 |
| 3.6 本章小结 | 第71-72页 |
| 4 鲁棒近似无穷维高斯描述子用于材料图像分类 | 第72-88页 |
| 4.1 引言 | 第72-73页 |
| 4.2 鲁棒近似无穷维高斯描述子 | 第73-77页 |
| 4.2.1 关于高斯分布的基础知识 | 第73-74页 |
| 4.2.2 近似无穷维高斯描述子 | 第74-75页 |
| 4.2.3 近似无穷维高斯描述子的鲁棒估计 | 第75-77页 |
| 4.3 鲁棒近似无穷维高斯描述子在材料图像分类任务中的应用 | 第77-79页 |
| 4.4 鲁棒近似无穷维高斯描述子的计算复杂性分析 | 第79页 |
| 4.5 实验结果与分析 | 第79-86页 |
| 4.5.1 方法分析与比较 | 第80-81页 |
| 4.5.2 参数和方法评估 | 第81-85页 |
| 4.5.3 协方差矩阵测度的比较 | 第85页 |
| 4.5.4 精细粒度图像分类 | 第85-86页 |
| 4.6 本章小结 | 第86-88页 |
| 5 全局高斯分布嵌入神经网络及其在图像分类中的应用 | 第88-103页 |
| 5.1 引言 | 第88-89页 |
| 5.2 端到端学习的全局高斯分布嵌入神经网络 | 第89-95页 |
| 5.2.1 基于李群理论的高斯嵌入用于构建全局高斯嵌入层 | 第90-91页 |
| 5.2.2 可训练的全局高斯嵌入层的构建 | 第91-92页 |
| 5.2.3 全局高斯嵌入层的反向传播 | 第92-94页 |
| 5.2.4 基于其他高斯嵌入方法的全局高斯分布嵌入神经网络 | 第94-95页 |
| 5.3 实验结果与分析 | 第95-102页 |
| 5.3.1 在MS-COCO上的图像区域分类 | 第95-97页 |
| 5.3.2 精细粒度图像分类 | 第97-100页 |
| 5.3.3 方法评估 | 第100-102页 |
| 5.4 本章小结 | 第102-103页 |
| 6 结论与展望 | 第103-107页 |
| 6.1 结论 | 第103-104页 |
| 6.2 创新点 | 第104-105页 |
| 6.3 展望 | 第105-107页 |
| 参考文献 | 第107-116页 |
| 附录A 定理4.1的证明 | 第116-119页 |
| 攻读博士学位期间科研项目及科研成果 | 第119-121页 |
| 致谢 | 第121-122页 |
| 作者简介 | 第122页 |
