| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.1.1 研究意义 | 第12-13页 |
| 1.1.2 研究难点 | 第13页 |
| 1.2 相关研究 | 第13-15页 |
| 1.2.1 层次化的大规模图像分类方法介绍 | 第13-14页 |
| 1.2.2 基于聚类的层次化分类树构建方法介绍 | 第14-15页 |
| 1.3 本文主要贡献和结构安排 | 第15-18页 |
| 1.3.1 主要贡献 | 第15-16页 |
| 1.3.2 本文结构安排 | 第16-18页 |
| 第二章 相关理论介绍 | 第18-30页 |
| 2.1 字典学习 | 第18-20页 |
| 2.1.1 基本模型及求解方法 | 第18-20页 |
| 2.2 聚类方法 | 第20-25页 |
| 2.2.1 谱聚类算法原理 | 第20-22页 |
| 2.2.2 子空间聚类 | 第22-25页 |
| 2.3 GoogleNet | 第25-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于Split Bregman优化的联合字典学习和层次化的大规模图像分类 | 第30-54页 |
| 3.1 基于JDL-SBI的层次化分类框架 | 第30-31页 |
| 3.2 JDL-SBI模型 | 第31-43页 |
| 3.2.1 联合字典模型 | 第31-35页 |
| 3.2.2 使用Split Bregman优化联合字典模型 | 第35-43页 |
| 3.3 基于JDL-SBI的稀疏编码 | 第43页 |
| 3.4 层次化分类树的构造 | 第43-45页 |
| 3.5 层次化分类算法 | 第45-47页 |
| 3.6 实验 | 第47-53页 |
| 3.6.1 实验环境 | 第47页 |
| 3.6.2 数据库介绍 | 第47-48页 |
| 3.6.3 实验结果及分析 | 第48-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第四章 基于深度聚类网络的大规模图像分类 | 第54-74页 |
| 4.1 自编码网络理论 | 第54-57页 |
| 4.2 DASC网络 | 第57-62页 |
| 4.2.1 DASC的网络结构 | 第58-60页 |
| 4.2.2 DASC网络的损失函数 | 第60-61页 |
| 4.2.3 DASC网络的训练 | 第61-62页 |
| 4.3 基于DASC方法构建层次化分类树 | 第62-63页 |
| 4.4 实验 | 第63-73页 |
| 4.4.1 实验环境及设置 | 第63-64页 |
| 4.4.2 数据库介绍 | 第64页 |
| 4.4.3 聚类的评价指标 | 第64-65页 |
| 4.4.4 DASC网络聚类性能评估 | 第65-69页 |
| 4.4.5 基于DASC模型的大规模图像分类 | 第69-73页 |
| 4.5 本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 总结 | 第74-75页 |
| 5.2 展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 在校期间参与的科研项目以及发表的论文 | 第82-84页 |
| 致谢语 | 第84页 |