| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文主要工作 | 第14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第二章 传统特征学习与车型识别 | 第16-30页 |
| 2.1 底层特征学习 | 第16-20页 |
| 2.1.1 SIFT特征算子 | 第16-17页 |
| 2.1.2 HOG特征算子 | 第17-18页 |
| 2.1.3 LBP特征算子 | 第18-20页 |
| 2.2 中层特征学习 | 第20-24页 |
| 2.2.1 视觉词袋模型 | 第20-21页 |
| 2.2.2 费舍尔向量提取 | 第21-23页 |
| 2.2.3 局部特征聚合描述子提取 | 第23-24页 |
| 2.3 多类分类方法 | 第24-25页 |
| 2.4 基于传统特征的车型识别研究 | 第25-28页 |
| 2.4.1 车型识别架构 | 第25-26页 |
| 2.4.2 车型数据库 | 第26-27页 |
| 2.4.3 实验结果分析与对比 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 深度融合特征学习与车型识别 | 第30-51页 |
| 3.1 深度卷积特征学习 | 第30-40页 |
| 3.1.1 卷积神经网络概述 | 第30-32页 |
| 3.1.2 深度卷积特征 | 第32-40页 |
| 3.2 深度融合特征学习 | 第40-43页 |
| 3.2.1 Inception模块与ResNet的融合 | 第40-41页 |
| 3.2.2 Inception模块的卷积分解 | 第41-43页 |
| 3.3 基于深度融合特征的车型识别 | 第43-45页 |
| 3.4 实验结果分析与对比 | 第45-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 深度稠密特征学习与车型识别 | 第51-64页 |
| 4.1 深度稠密特征学习 | 第51-54页 |
| 4.1.1 稠密连接 | 第52-53页 |
| 4.1.2 深度稠密卷积网络 | 第53-54页 |
| 4.2 中心损失函数 | 第54-58页 |
| 4.2.1 中心损失函数的引入 | 第54-55页 |
| 4.2.2 联合监督学习策略 | 第55-58页 |
| 4.3 基于深度稠密特征的车型识别 | 第58-59页 |
| 4.4 实验结果分析与对比 | 第59-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第五章 全文总结与展望 | 第64-66页 |
| 5.1 全文工作总结 | 第64页 |
| 5.2 后续工作展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的成果 | 第72-73页 |