| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究难点分析 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 细粒度识别方法 | 第12-14页 |
| 1.3.2 卷积神经网络研究现状 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16-17页 |
| 第2章 卷积神经网络理论 | 第17-24页 |
| 2.1 卷积神经网络的基本结构 | 第17-20页 |
| 2.2 卷积神经网络的基本特征 | 第20-22页 |
| 2.3 卷积神经网络的学习算法 | 第22页 |
| 2.4 RCNN实现步骤 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于卷积神经网络语义检测的鸟类细粒度识别研究 | 第24-34页 |
| 3.1 FasterRCNN框架 | 第24-25页 |
| 3.2 鸟类细粒度识别总体框图 | 第25-26页 |
| 3.3 检测网络 | 第26-29页 |
| 3.3.1 引入语义的卷积神经网络 | 第26-27页 |
| 3.3.2 区域建议网络 | 第27-28页 |
| 3.3.3 RPN与目标检测共享卷积特征 | 第28-29页 |
| 3.4 分类网络 | 第29-30页 |
| 3.4.1 特征池化 | 第29-30页 |
| 3.4.2 特征全连接 | 第30页 |
| 3.5 统一网络 | 第30-31页 |
| 3.6 实验 | 第31-33页 |
| 3.6.1 参数设置 | 第31-32页 |
| 3.6.2 实验结果与分析 | 第32-33页 |
| 3.7 本章小结 | 第33-34页 |
| 第4章 基于多尺度特征的卷积神经网络鸟类细粒度识别方法 | 第34-40页 |
| 4.1 卷积神经网络模型训练特点 | 第34-35页 |
| 4.1.1 RCNN | 第34页 |
| 4.1.2 Fast RCNN | 第34-35页 |
| 4.1.3 Faster RCNN | 第35页 |
| 4.2 基于多尺度特征连接卷积神经网络的鸟类细粒度识别框图 | 第35-36页 |
| 4.3 多尺度特征连接 | 第36-37页 |
| 4.4 L2归一化 | 第37-38页 |
| 4.5 实验及结果分析 | 第38-39页 |
| 4.6 本章小结 | 第39-40页 |
| 第5章 结论与展望 | 第40-42页 |
| 5.1 总结 | 第40页 |
| 5.2 展望 | 第40-42页 |
| 参考文献 | 第42-46页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第46-47页 |
| 致谢 | 第47页 |
