致谢 | 第9-10页 |
摘要 | 第10-12页 |
ABSTRACT | 第12-13页 |
第一章 绪论 | 第20-28页 |
1.1 研究背景 | 第20-21页 |
1.2 国内外研究现状 | 第21-25页 |
1.2.1 基于特征编码的图像分类 | 第21-23页 |
1.2.2 基于深度学习的图像分类 | 第23-25页 |
1.3 本文主要研究内容和结构安排 | 第25-28页 |
第二章 基于选择性子空间学习的图像分类 | 第28-42页 |
2.1 引言 | 第28-29页 |
2.2 相关工作 | 第29-30页 |
2.3 基于选择性子空间学习的图像分类方法 | 第30-35页 |
2.3.1 线性判别分析 | 第31-32页 |
2.3.2 选择性正则化子空间学习 | 第32-33页 |
2.3.3 加速计算方法 | 第33-34页 |
2.3.4 由粗到精的图像分类方法 | 第34-35页 |
2.4 实验 | 第35-41页 |
2.4.1 数据集及实验设置 | 第35-37页 |
2.4.2 实验结果及其对比 | 第37-40页 |
2.4.3 参数分析 | 第40页 |
2.4.4 计算复杂度分析 | 第40-41页 |
2.5 本章小结 | 第41-42页 |
第三章 基于主动标注集的细粒度图像分类 | 第42-52页 |
3.1 引言 | 第42-44页 |
3.2 相关工作 | 第44-45页 |
3.3 基于主动标注集的细粒度图像分类方法 | 第45-47页 |
3.3.1 主动集的构造 | 第45-46页 |
3.3.2 损失函数的设计 | 第46-47页 |
3.3.3 网络训练 | 第47页 |
3.4 实验 | 第47-51页 |
3.4.1 数据集介绍 | 第47-48页 |
3.4.2 方法实现细节 | 第48-49页 |
3.4.3 实验结果及对比 | 第49页 |
3.4.4 主动集分析 | 第49-51页 |
3.4.5 计算复杂度分析 | 第51页 |
3.5 本章小结 | 第51-52页 |
第四章 基于随机裁剪池化的多标签图像分类 | 第52-67页 |
4.1 引言 | 第52-54页 |
4.2 相关工作 | 第54-55页 |
4.2.1 多标签图像分类 | 第54页 |
4.2.2 似物区 | 第54-55页 |
4.2.3 基于似物区的多标签图像分类 | 第55页 |
4.3 基于随机裁剪池化的多标签图像分类方法 | 第55-61页 |
4.3.1 随机缩放裁剪 | 第56-57页 |
4.3.2 共享的神经网络 | 第57页 |
4.3.3 逐类别最大池化 | 第57-58页 |
4.3.4 动态加权欧拉损失 | 第58-60页 |
4.3.5 随机裁剪池化方法原理及其优化 | 第60-61页 |
4.4 实验 | 第61-66页 |
4.4.1 数据集描述和实验设定 | 第61页 |
4.4.2 实现细节 | 第61-63页 |
4.4.3 实验结果和对比 | 第63-64页 |
4.4.4 进一步实验分析 | 第64-65页 |
4.4.5 随机裁剪区域和似物区对比 | 第65-66页 |
4.5 本章小结 | 第66-67页 |
第五章 基于类别原型修正的零样本图像分类 | 第67-84页 |
5.1 引言 | 第67-69页 |
5.2 相关工作 | 第69-71页 |
5.2.1 基于正向映射的方法 | 第70页 |
5.2.2 基于反向映射的方法 | 第70-71页 |
5.2.3 基于样本生成的方法 | 第71页 |
5.3 联合属性回归和类别原型修正的零样本图像分类方法 | 第71-76页 |
5.3.1 问题定义 | 第71-72页 |
5.3.2 基于属性回归的零样本学习 | 第72页 |
5.3.3 类别原型修正 | 第72-73页 |
5.3.4 统一属性回归和类别原型修正的学习框架 | 第73-76页 |
5.4 实验 | 第76-83页 |
5.4.1 数据集和实验设置 | 第77-78页 |
5.4.2 实验结果和比较 | 第78-79页 |
5.4.3 质量评估 | 第79-83页 |
5.4.4 收敛性分析 | 第83页 |
5.4.5 超参数分析 | 第83页 |
5.5 本章小结 | 第83-84页 |
第六章 总结与展望 | 第84-87页 |
6.1 本文工作总结 | 第84-85页 |
6.2 研究工作展望 | 第85-87页 |
参考文献 | 第87-97页 |
攻读博士学位期间的学术活动及成果情况 | 第97页 |