| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 基于底层特征的场景识别研究现状 | 第10-12页 |
| 1.2.2 基于中层特征的场景识别研究现状 | 第12-14页 |
| 1.2.3 场景识别分类器的研究现状 | 第14页 |
| 1.2.4 基于深度学习的图像识别研究现状 | 第14-15页 |
| 1.3 场景识别的研究难点 | 第15-17页 |
| 1.4 本论文的主要研究内容 | 第17-18页 |
| 1.5 本论文的组织安排 | 第18-19页 |
| 第二章 特征提取与场景识别总框架 | 第19-23页 |
| 2.1 引言 | 第19页 |
| 2.2 特征提取与场景识别总框架 | 第19-22页 |
| 2.2.1 基于稀疏编码技术的中层特征提取框架 | 第20-21页 |
| 2.2.2 基于深度学习的特征提取框架 | 第21页 |
| 2.2.3 识别算法 | 第21-22页 |
| 2.3 场景识别难点的解决 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于稀疏编码技术的特征提取算法 | 第23-34页 |
| 3.1 引言 | 第23页 |
| 3.2 Dense SIFT特征提取 | 第23-26页 |
| 3.2.1 关键点选取 | 第24页 |
| 3.2.2 梯度幅值和方向 | 第24-25页 |
| 3.2.3 特征描述子的生成 | 第25-26页 |
| 3.3 特征稀疏编码 | 第26-32页 |
| 3.3.1 HIHT编码算法 | 第27-29页 |
| 3.3.2 Feature-sign搜索算法 | 第29-30页 |
| 3.3.3 词典学习 | 第30-32页 |
| 3.4 空间池化 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于卷积神经网络的特征提取算法 | 第34-44页 |
| 4.1 引言 | 第34页 |
| 4.2 卷积神经网络简介 | 第34-36页 |
| 4.2.1 卷积神经网络的网络结构 | 第34-35页 |
| 4.2.2 卷积神经网络的特性 | 第35-36页 |
| 4.3 卷积神经网络的训练过程 | 第36-40页 |
| 4.3.1 卷积神经网络的前向计算 | 第37-38页 |
| 4.3.2 反向传播 | 第38-40页 |
| 4.3.3 参数更新 | 第40页 |
| 4.4 基于卷积神经网络的特征提取 | 第40-43页 |
| 4.4.1 Alex-net模型简介 | 第40-41页 |
| 4.4.2 特征提取 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 基于ELM的场景识别算法 | 第44-51页 |
| 5.1 引言 | 第44页 |
| 5.2 ELM的结构 | 第44-46页 |
| 5.3 ELM的训练过程 | 第46-48页 |
| 5.4 基于ELM分类器的场景识别过程 | 第48-49页 |
| 5.5 基于核函数ELM的场景识别算法 | 第49页 |
| 5.6 ELM的分析 | 第49-50页 |
| 5.7 本章小结 | 第50-51页 |
| 第六章 实验结果及分析 | 第51-64页 |
| 6.1 引言 | 第51页 |
| 6.2 场景数据库介绍 | 第51-52页 |
| 6.3 实验参数设置 | 第52-53页 |
| 6.3.1 Dense SIFT特征提取算法参数设置 | 第52页 |
| 6.3.2 词典个数设置 | 第52-53页 |
| 6.3.3 ELM参数设置 | 第53页 |
| 6.4 实验结果与整体性能分析 | 第53-57页 |
| 6.4.1 基于中层特征提取的场景识别结果分析 | 第54-55页 |
| 6.4.2 基于深度学习特征提取的场景识别结果分析 | 第55-57页 |
| 6.5 分模块性能分析 | 第57-62页 |
| 6.5.1 两种稀疏编码算法分析 | 第57-59页 |
| 6.5.2 不同的空间布局划分方式的池化分析 | 第59-60页 |
| 6.5.3 ELM分类器参数分析 | 第60-62页 |
| 6.6 本章小结 | 第62-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 附录 | 第71-72页 |
| 个人简历 | 第72-73页 |
| 在学期间的研究成果及发表的学术论文 | 第73页 |