| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第二章 图像识别与分类算法的理论基础 | 第17-30页 |
| 2.1 物体分类基本算法 | 第17-20页 |
| 2.1.1 基于词袋模型的物体分类 | 第17-19页 |
| 2.1.2 基于深度学习的物体分类 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-22页 |
| 2.3 CNN经典网络模型 | 第22-29页 |
| 2.3.1 CaffeNet CNN模型 | 第22-25页 |
| 2.3.2 GoogLeNet模型 | 第25-27页 |
| 2.3.3 VGGNet模型 | 第27-28页 |
| 2.3.4 Fast R-CNN模型 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于鉴别三元组模型的细粒度识别与分类算法研究 | 第30-45页 |
| 3.1 算法基础 | 第30-31页 |
| 3.1.1 k近邻法 | 第30-31页 |
| 3.1.2 非极大抑制算法 | 第31页 |
| 3.2 算法框架 | 第31-32页 |
| 3.3 三元组特征提取 | 第32-38页 |
| 3.3.1 三元组初始化 | 第33页 |
| 3.3.2 查找候选区域 | 第33-35页 |
| 3.3.3 构造候选三元组 | 第35-37页 |
| 3.3.4 三元组特征提取 | 第37-38页 |
| 3.4 实验设置与结果分析 | 第38-43页 |
| 3.4.1 数据集 | 第38-39页 |
| 3.4.2 实验设置 | 第39-41页 |
| 3.4.3 实验结果与分析 | 第41-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 基于B-CNN模型的细粒度识别与分类算法研究 | 第45-58页 |
| 4.1 基于弱监督的细粒度分类算法概述 | 第45-50页 |
| 4.1.1 两级注意力算法 | 第45-47页 |
| 4.1.2 基于局部区域的图像表示 | 第47-48页 |
| 4.1.3 星座模型 | 第48-50页 |
| 4.2 双线性卷积神经网络 | 第50-51页 |
| 4.3 基于B-CNN模型的细粒度识别与分类算法 | 第51-53页 |
| 4.3.1 算法框架 | 第51-52页 |
| 4.3.2 双线性卷积特征提取 | 第52-53页 |
| 4.4 实验设置与结果分析 | 第53-57页 |
| 4.4.1 数据集 | 第53-54页 |
| 4.4.2 实验设置 | 第54-55页 |
| 4.4.3 实验结果与分析 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58页 |
| 5.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 攻读硕士学位期间发表的论文 | 第68页 |