| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景及意义 | 第17-19页 |
| 1.2 本文研究工作 | 第19-21页 |
| 1.3 论文组织结构 | 第21-23页 |
| 第二章 相关研究综述 | 第23-43页 |
| 2.1 深度卷积神经网络 | 第23-27页 |
| 2.1.1 DCNN概述 | 第23-24页 |
| 2.1.2 DCNN拓扑结构 | 第24-26页 |
| 2.1.3 DCNN优化算法 | 第26-27页 |
| 2.2 相关研究工作 | 第27-35页 |
| 2.2.1 通用图像分类 | 第27-32页 |
| 2.2.2 细粒度图像分类 | 第32-34页 |
| 2.2.3 增量学习 | 第34-35页 |
| 2.3 常用数据集及评价标准 | 第35-42页 |
| 2.3.1 常用数据集 | 第35-41页 |
| 2.3.2 评价标准 | 第41-42页 |
| 2.4 本章小结 | 第42-43页 |
| 第三章 基于互补特征学习的通用图像分类 | 第43-55页 |
| 3.1 引言 | 第43-45页 |
| 3.2 DualNet模型 | 第45-48页 |
| 3.2.1 DualNet网络结构 | 第45-46页 |
| 3.2.2 DualNet训练策略 | 第46-48页 |
| 3.3 实验结果与分析 | 第48-54页 |
| 3.3.1 实验设置 | 第48页 |
| 3.3.2 实验结果对比 | 第48-51页 |
| 3.3.3 实验结果分析 | 第51-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第四章 基于多粒度特征学习的细粒度图像分类 | 第55-67页 |
| 4.1 引言 | 第55-57页 |
| 4.2 HybridNet模型 | 第57-62页 |
| 4.2.1 Compact Bilinear Pooling方法 | 第57-59页 |
| 4.2.2 HybridNet网络结构 | 第59-61页 |
| 4.2.3 HybridNet训练策略 | 第61-62页 |
| 4.3 实验结果与分析 | 第62-65页 |
| 4.3.1 实验设置 | 第63-64页 |
| 4.3.2 实验结果对比 | 第64页 |
| 4.3.3 实验结果讨论 | 第64-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 图像分类中的多任务增量学习 | 第67-83页 |
| 5.1 引言 | 第67-69页 |
| 5.2 Distillation&Retrospection方法 | 第69-74页 |
| 5.2.1 Lean without Forgetting方法 | 第69-70页 |
| 5.2.2 Distillation模块 | 第70-72页 |
| 5.2.3 Retrospection模块 | 第72-73页 |
| 5.2.4 Distillation&Retrospection方法小结 | 第73-74页 |
| 5.3 实验结果与分析 | 第74-81页 |
| 5.3.1 实验设置 | 第74-75页 |
| 5.3.2 实验结果对比 | 第75-80页 |
| 5.3.3 实验结果讨论 | 第80-81页 |
| 5.4 本章小结 | 第81-83页 |
| 第六章 图像分类中的多类别增量学习 | 第83-101页 |
| 6.1 引言 | 第83-85页 |
| 6.2 Rebalancing方法 | 第85-90页 |
| 6.2.1 iCaRL方法 | 第85-86页 |
| 6.2.2 Cosine Normalization模块 | 第86-88页 |
| 6.2.3 Less-Forget Constraint模块 | 第88-89页 |
| 6.2.4 Inter-class Separation模块 | 第89-90页 |
| 6.2.5 Rebalancing方法小结 | 第90页 |
| 6.3 实验结果与分析 | 第90-98页 |
| 6.3.1 实验设置 | 第90-92页 |
| 6.3.2 实验结果对比 | 第92-94页 |
| 6.3.3 实验结果分析 | 第94-98页 |
| 6.4 本章小结 | 第98-101页 |
| 第七章 总结与展望 | 第101-105页 |
| 7.1 本文总结 | 第101-102页 |
| 7.2 研究展望 | 第102-105页 |
| 参考文献 | 第105-111页 |
| 致谢 | 第111-113页 |
| 在读期间发表的学术论文与取得的研究成果 | 第113-114页 |
