| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 论文主要工作 | 第12-14页 |
| 1.3.1 基于强监督信息的细粒度识别 | 第13页 |
| 1.3.2 基于弱监督信息的细粒度识别 | 第13-14页 |
| 1.4 章节安排 | 第14-16页 |
| 第二章 深度学习理论 | 第16-24页 |
| 2.1 前馈神经网络 | 第16-19页 |
| 2.1.1 单层感知机 | 第16-17页 |
| 2.1.2 多层感知机 | 第17页 |
| 2.1.3 反向传播算法 | 第17-19页 |
| 2.2 卷积神经网络 | 第19-22页 |
| 2.2.1 卷积层(Convolutional layer) | 第20-21页 |
| 2.2.2 池化层(Pooling Layer) | 第21-22页 |
| 2.2.3 Relu和全连接层 | 第22页 |
| 2.3 本章小结 | 第22-24页 |
| 第三章 基于强监督信息的细粒度识别 | 第24-38页 |
| 3.1 强监督细粒度识别算法 | 第24页 |
| 3.2 Part-based R-CNN | 第24-27页 |
| 3.2.1 R-CNN算法 | 第25-26页 |
| 3.2.2 几何约束 | 第26-27页 |
| 3.2.3 细粒度识别 | 第27页 |
| 3.3 Pose Normalized CNN | 第27-30页 |
| 3.3.1 姿态归一化方案 | 第28-29页 |
| 3.3.2 原型姿态学习 | 第29页 |
| 3.3.3 深度卷积特征 | 第29-30页 |
| 3.4 实验结果与分析 | 第30-36页 |
| 3.4.1 细粒度图像数据集 | 第30-31页 |
| 3.4.2 实验流程 | 第31-33页 |
| 3.4.3 实验结果分析 | 第33-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 基于弱监督信息的细粒度识别 | 第38-60页 |
| 4.1 弱监督细粒度识别算法 | 第38-39页 |
| 4.2 单网络细粒度识别模型 | 第39-47页 |
| 4.2.1 Inception (GoogleNet)网络 | 第39-42页 |
| 4.2.2 Resnet网络 | 第42-43页 |
| 4.2.3 Inception+Resnet网络 | 第43-47页 |
| 4.3 多网络细粒度识别模型 | 第47-52页 |
| 4.3.1 Bilinear CNN Models | 第48-50页 |
| 4.3.2 双线性结构与传统特征算子的关系 | 第50-51页 |
| 4.3.3 特征提取器 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-59页 |
| 4.4.1 细粒度图像数据集 | 第52页 |
| 4.4.2 实验流程 | 第52-55页 |
| 4.4.3 实验结果与分析 | 第55-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 论文工作总结 | 第60-61页 |
| 5.2 下一步工作展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间取得的研究成果 | 第68页 |
