| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 特征表达算法发展现状 | 第11-13页 |
| 1.2.2 强监督的细粒度图像分类算法 | 第13-14页 |
| 1.2.3 弱监督的细粒度图像分类算法 | 第14-15页 |
| 1.3 目前存在的主要问题 | 第15-16页 |
| 1.3.1 强区分性区域获取能力不足 | 第15-16页 |
| 1.3.2 特征表达与分类能力的不足 | 第16页 |
| 1.4 本文主要工作及创新点 | 第16-17页 |
| 1.5 本文组织结构 | 第17-19页 |
| 第二章 基于相似性及区别性的多分类方法(SD-SVM) | 第19-34页 |
| 2.1 整体框架 | 第19-20页 |
| 2.2 改进的S-SVM | 第20-23页 |
| 2.2.1 SVM多分类器分析 | 第20-21页 |
| 2.2.2 子类别间相似性学习 | 第21-23页 |
| 2.3 改进的D-SVM | 第23-24页 |
| 2.4 SD-SVM在细粒度图像分类上的应用 | 第24-28页 |
| 2.4.1 目标框的获取 | 第24-26页 |
| 2.4.2 B-CNN获取特征 | 第26-28页 |
| 2.4.3 SD-SVM分类 | 第28页 |
| 2.5 实验结果分析 | 第28-33页 |
| 2.5.1 CUB-2011数据集实验与分析 | 第28-31页 |
| 2.5.2 FGVC-Aircraft数据集实验与分析 | 第31-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于多尺度的强区分性区域特征表达方法 | 第34-47页 |
| 3.1 整体框架 | 第34-35页 |
| 3.2 强区分性区域递进关系分析 | 第35-40页 |
| 3.2.1 强区分性区域描述 | 第35-37页 |
| 3.2.2 多尺度下偏差与方差递进关系分析 | 第37-40页 |
| 3.2.3 递进关系与分类效果分析 | 第40页 |
| 3.3 多尺度的强区分性区域获取 | 第40-41页 |
| 3.4 多尺度特征表达与分类 | 第41-42页 |
| 3.5 实验结果分析 | 第42-46页 |
| 3.5.1 高斯模型仿真实验 | 第43-44页 |
| 3.5.2 基于多尺度的强区分性区域的细粒度分类 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于强区分性区域优选的细粒度分类方法 | 第47-58页 |
| 4.1 整体框架 | 第47-48页 |
| 4.2 基于多注意力的强区分性区域生成 | 第48-49页 |
| 4.3 基于几何关系的区域优选算法 | 第49-53页 |
| 4.3.1 多区域的细粒度分类算法 | 第49-50页 |
| 4.3.2 强区分性区域几何关系学习 | 第50-53页 |
| 4.4 基于类别分类能力差异性的区域优选算法 | 第53-55页 |
| 4.5 实验结果与分析 | 第55-57页 |
| 4.5.1 CUB-2011数据集结果分析 | 第55-56页 |
| 4.5.2 FGVC-Aircraft数据集结果分析 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 论文工作总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 攻读学位期间参与科研项目和公开发表的论文 | 第66-67页 |
| 致谢 | 第67-68页 |
