基于深度学习与空间视觉词袋的场景分类方法
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第9-17页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 图像场景分类的国内外研究现状 | 第11-12页 |
| 1.2.2 深度学习在图像领域的研究现状 | 第12-13页 |
| 1.2.3 存在问题及难点分析 | 第13-14页 |
| 1.3 研究的主要内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 场景图像分类技术研究基础 | 第17-29页 |
| 2.1 词袋模型在场景分类中的应用 | 第18页 |
| 2.2 图像常用特征提取概述 | 第18-21页 |
| 2.2.1 全局特征 | 第19-20页 |
| 2.2.2 局部特征 | 第20页 |
| 2.2.3 深度学习图像特征 | 第20-21页 |
| 2.3 场景分类中常用的分类模型 | 第21-25页 |
| 2.3.1 SVM分类模型 | 第21-24页 |
| 2.3.2 Softmax回归模型 | 第24-25页 |
| 2.4 深度学习在场景分类中的应用 | 第25-28页 |
| 2.4.1 深度学习简介 | 第25页 |
| 2.4.2 深度学习基本思想 | 第25-26页 |
| 2.4.3 深度学习常用模型 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于深度学习网络模型的特征提取 | 第29-36页 |
| 3.1 卷积神经网络的设计与构建 | 第29-31页 |
| 3.1.1 卷积神经网络结构 | 第29-30页 |
| 3.1.2 卷积神经网络的训练过程 | 第30-31页 |
| 3.2 基于卷积神经网络的特征提取 | 第31-34页 |
| 3.2.1 网络结构设计 | 第31-32页 |
| 3.2.2 参数选择及训练策略 | 第32-33页 |
| 3.2.3 基于卷积神经网络的特征提取流程 | 第33-34页 |
| 3.3 实验结果及分析 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于空间视觉词袋的图像表达 | 第36-44页 |
| 4.1 空间视觉词袋模型概述 | 第36页 |
| 4.2 基于空间视觉词袋模型的场景分类过程 | 第36-40页 |
| 4.2.1 特征提取和描述 | 第37页 |
| 4.2.2 空间视觉词典生成方法 | 第37-39页 |
| 4.2.3 空间聚类图像的金字塔表示 | 第39-40页 |
| 4.3 实验结果及结论 | 第40-43页 |
| 4.3.1 数据集 | 第40-41页 |
| 4.3.2 特征编码词典生成 | 第41页 |
| 4.3.3 实验结果与分析 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 基于深度学习与空间视觉词袋的场景分类方法 | 第44-59页 |
| 5.1 算法实现步骤 | 第44页 |
| 5.2 算法实验及结果分析 | 第44-52页 |
| 5.2.1 数据集 | 第44-47页 |
| 5.2.2 图像预处理 | 第47-49页 |
| 5.2.3 可视化表格 | 第49-50页 |
| 5.2.4 实验结果及分析 | 第50-52页 |
| 5.3 场景分类原型系统设计与实现 | 第52-58页 |
| 5.3.1 系统需求与功能设计 | 第52-54页 |
| 5.3.2 系统界面设计 | 第54页 |
| 5.3.3 系统界面实现和功能测试 | 第54-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59页 |
| 6.2 研究方向展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第66页 |
