基于神经网络的图像分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 图像分类的研究现状 | 第10-14页 |
| 1.2.1 图像分类任务中的难点 | 第10-12页 |
| 1.2.2 图像分类方法总结 | 第12-14页 |
| 1.3 本文的研究目标和研究内容 | 第14-15页 |
| 1.3.1 研究目标 | 第14页 |
| 1.3.2 研究内容 | 第14-15页 |
| 1.4 本文的内容安排 | 第15-16页 |
| 第二章 神经网络模型介绍 | 第16-23页 |
| 2.1 自编码器及相关改进算法 | 第17-20页 |
| 2.1.1 自编码器（Autoencoder） | 第17-18页 |
| 2.1.2 稀疏自编码器 | 第18-19页 |
| 2.1.3 降噪自编码器 | 第19-20页 |
| 2.2 卷积神经网络简介 | 第20-22页 |
| 2.2.1 卷积层 | 第20-21页 |
| 2.2.2 池化层 | 第21页 |
| 2.2.3 全连接层 | 第21页 |
| 2.2.4 修正线性单元 | 第21-22页 |
| 2.2.5 局部响应正则化 | 第22页 |
| 2.3 小结 | 第22-23页 |
| 第三章 基于BoAEW的图像分类方法 | 第23-34页 |
| 3.1 BoVW框架及相关改进算法 | 第23-25页 |
| 3.1.1 低层特征提取 | 第23-24页 |
| 3.1.2 特征编码 | 第24-25页 |
| 3.1.3 特征汇聚 | 第25页 |
| 3.1.4 分类器 | 第25页 |
| 3.2 BoAEW特征 | 第25-28页 |
| 3.2.1 BoAEW整体流程 | 第26页 |
| 3.2.2 Autoencoder模型训练 | 第26-27页 |
| 3.2.3 视觉字典构建 | 第27页 |
| 3.2.4 特征表示 | 第27-28页 |
| 3.3 实验 | 第28-33页 |
| 3.3.1 基于BoAEW的人脸识别 | 第29-30页 |
| 3.3.2 基于BoAEW的场景分类 | 第30-32页 |
| 3.3.3 特征融合 | 第32-33页 |
| 3.4 小结 | 第33-34页 |
| 第四章 基于CNN特征的图像分类 | 第34-44页 |
| 4.1 基于CNN特征的图像分类方法流程 | 第34-36页 |
| 4.1.1 预处理 | 第34-35页 |
| 4.1.2 CNN特征提取 | 第35页 |
| 4.1.3 PCA维数约简 | 第35-36页 |
| 4.1.4 SVM训练 | 第36页 |
| 4.2 基于CNN特征的纹理分类 | 第36-43页 |
| 4.2.1 实验 | 第37-40页 |
| 4.2.2 讨论 | 第40-43页 |
| 4.3 小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 5.1 本文工作总结 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-51页 |
| 发表论文和参加科研情况说明 | 第51-52页 |
| 致谢 | 第52-53页 |
