首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于中心排序损失及弱监督定位的细粒度目标检索

摘要第4-5页
Abstract第5-6页
第一章 绪论第11-21页
    1.1 研究背景第11-13页
    1.2 国内外研究现状第13-17页
        1.2.1 细粒度视觉检索第13-15页
        1.2.2 弱监督物体定位第15页
        1.2.3 深度度量学习第15-17页
    1.3 数据集及评价方法第17-18页
        1.3.1 评价方法第17页
        1.3.2 数据集第17-18页
    1.4 本文主要研究内容第18-19页
    1.5 本文组织结构第19-21页
第二章 中心排序损失第21-35页
    2.1 引言第21-22页
    2.2 特征抽取模型第22-23页
    2.3 深度度量模型第23-31页
        2.3.1 基于孪生网络的度量学习第24页
        2.3.2 基于三元组以及以上的度量学习第24-28页
        2.3.3 基于多元组即以上的度量学习第28-30页
        2.3.4 中心排序损失函数第30-31页
    2.4 实验第31-32页
    2.5 本章小结第32-35页
第三章 弱监督物体定位第35-47页
    3.1 引言第35-36页
    3.2 基于图像求导的方法第36-38页
        3.2.1 类别显著性图像第36页
        3.2.2 精细化操作第36-38页
    3.3 基于学习的方法第38-40页
        3.3.1 类别激活显著性图像第38-40页
    3.4 基于高层语义信息的定位方法第40-43页
        3.4.1 高层语义信息描述子选择第40-42页
        3.4.2 精细化操作第42-43页
    3.5 实验第43-44页
    3.6 本章小结第44-47页
第四章 细粒度视觉检索第47-57页
    4.1 引言第47-49页
    4.2 模型第49-52页
        4.2.1 损失函数第49-50页
        4.2.2 物体定位第50-51页
        4.2.3 特征聚合第51-52页
    4.3 实验第52-55页
        4.3.1 现有细粒度检索方法第52页
        4.3.2 实现细节第52-54页
        4.3.3 细粒度视觉检索实验结果第54-55页
    4.4 本章小结第55-57页
第五章 总结与展望第57-61页
    5.1 本文工作总结第57-58页
    5.2 未来工作展望第58-61页
参考文献第61-65页
致谢第65-67页
附录 攻读硕士学位期间发表的论文第67-68页
附录 攻读硕士学位期间参与的项目第68页

论文共68页,点击 下载论文
上一篇:基于计算机视觉的鱼虾识别和形态参数测量
下一篇:基于深度卷积编解码器和对抗学习的图像语义分割