细粒度物体分类方法设计与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-11页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文主要研究工作 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 2 物体分类相关理论介绍 | 第17-30页 |
| 2.1 物体分类中常用特征综述 | 第17-25页 |
| 2.1.1 HOG 特征 | 第18-19页 |
| 2.1.2 SIFT 特征 | 第19-22页 |
| 2.1.3 LBP 特征 | 第22-24页 |
| 2.1.4 Gabor 特征 | 第24-25页 |
| 2.2 物体分类模型综述 | 第25-28页 |
| 2.2.1 基于词包模型的物体分类 | 第25-26页 |
| 2.2.2 基于深度学习的物体分类 | 第26-28页 |
| 2.3 细粒度物体分类综述 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于部件模型的细粒度物体分类方法 | 第30-53页 |
| 3.1 部件模型 | 第30-37页 |
| 3.1.1 HOG特征金字塔 | 第30-32页 |
| 3.1.2 滤波器 | 第32-33页 |
| 3.1.3 部件模型 | 第33-35页 |
| 3.1.4 隐支持向量机 | 第35页 |
| 3.1.5 部件模型的训练 | 第35-37页 |
| 3.2 特征提取 | 第37-43页 |
| 3.2.1 部件区域选取与描述 | 第37-40页 |
| 3.2.2 融入中层特征的图像特征描述 | 第40-43页 |
| 3.3 细粒度动物类别图像数据库的构建 | 第43-44页 |
| 3.4 实验分析 | 第44-52页 |
| 3.4.1 实验设置 | 第44-45页 |
| 3.4.2 实验结果比较 | 第45-52页 |
| 3.5 本章小结 | 第52-53页 |
| 4 基于卷积神经网络的细粒度物体分类方法 | 第53-62页 |
| 4.1 卷积神经网络的基本原理 | 第53-54页 |
| 4.2 基于卷积神经网络的细粒度物体分类方法 | 第54-59页 |
| 4.2.1 卷积神经网络结构 | 第55-57页 |
| 4.2.2 卷积神经网络的训练 | 第57-58页 |
| 4.2.3 深度卷积激活特征 | 第58-59页 |
| 4.3 实验分析与比较 | 第59-60页 |
| 4.3.1 实验设置 | 第59页 |
| 4.3.2 实验结果比较 | 第59-60页 |
| 4.4 本章小结 | 第60-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者简历 | 第68-70页 |
| 学位论文数据集 | 第70页 |
