| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第2章 细粒度图像分类相关理论及算法介绍 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 基于传统方法的细粒度图像分类 | 第16-20页 |
| 2.2.1 特征提取 | 第16-18页 |
| 2.2.2 特征编码 | 第18-19页 |
| 2.2.3 特征池化 | 第19页 |
| 2.2.4 分类器分类 | 第19-20页 |
| 2.3 基于深度学习的细粒度图像分类 | 第20-28页 |
| 2.3.1 卷积神经网络结构介绍 | 第20-23页 |
| 2.3.2 双线性CNN | 第23-24页 |
| 2.3.3 Part-basedR-CNN | 第24-27页 |
| 2.3.4 两级注意力CNN | 第27-28页 |
| 2.4 不同方法的比较 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于注意力机制的细粒度图像分类算法设计与实现 | 第30-43页 |
| 3.1 引言 | 第30页 |
| 3.2 整体框架的改进 | 第30-32页 |
| 3.2.1 基准网络框架 | 第30-31页 |
| 3.2.2 改进后的网络框架 | 第31-32页 |
| 3.3 注意力网络的设计 | 第32-36页 |
| 3.3.1 引入注意力网络 | 第32-34页 |
| 3.3.2 注意力网络的改进 | 第34-36页 |
| 3.4 分类网络的设计 | 第36-41页 |
| 3.4.1 显著性区域定位 | 第37-40页 |
| 3.4.2 多尺度分类模型融合 | 第40-41页 |
| 3.5 模型训练策略 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 实验结果对比及分析 | 第43-54页 |
| 4.1 实验平台介绍 | 第43-46页 |
| 4.1.1 实验环境介绍 | 第43页 |
| 4.1.2 数据集介绍 | 第43-45页 |
| 4.1.3 评价指标 | 第45-46页 |
| 4.2 改进方法的实验对比 | 第46-50页 |
| 4.2.1 网络训练参数设置 | 第46页 |
| 4.2.2 注意力网络对分类结果的影响 | 第46-47页 |
| 4.2.3 多尺度分类网络对分类结果的影响 | 第47-48页 |
| 4.2.4 在FishCLEF2017评测数据集的结果 | 第48-49页 |
| 4.2.5 与一些文献的对比 | 第49-50页 |
| 4.3 改进方法的结果分析 | 第50-53页 |
| 4.3.1 对图像分辨率的敏感程度分析 | 第50-52页 |
| 4.3.2 对分类目标占比的敏感程度分析 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 附录 | 第60-61页 |
| 攻读学位期间发表的学术论文 | 第61-63页 |
| 致谢 | 第63页 |