细粒度物体分类算法研究与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8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17-32页 |
| 2.1 物体分类常用技术综述 | 第17-27页 |
| 2.1.1 HOG特征 | 第18-19页 |
| 2.1.2 SIFT特征 | 第19-25页 |
| 2.1.3 LBP特征 | 第25-26页 |
| 2.1.4 Gabor特征 | 第26-27页 |
| 2.2 物体分类模型综述 | 第27-30页 |
| 2.2.1 基于词包模型的物体分类 | 第27-28页 |
| 2.2.2 基于深度学习的物体分类 | 第28-30页 |
| 2.3 细粒度物体分类综述 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 基于部件模型的细粒度物体分类方法 | 第32-44页 |
| 3.1 部件模型 | 第32-38页 |
| 3.1.1 HOG特征金字塔 | 第32-34页 |
| 3.1.2 滤波器 | 第34-35页 |
| 3.1.3 部件模型 | 第35-36页 |
| 3.1.4 隐支持向量机 | 第36-37页 |
| 3.1.5 部件模型的训练 | 第37-38页 |
| 3.2 基于部件模型的图像特征 | 第38-43页 |
| 3.2.1 部件区域选取与描述 | 第38-39页 |
| 3.2.2 基于部件模型的图像特征 | 第39-43页 |
| 3.3 本章小结 | 第43-44页 |
| 4 基于深度学习的细粒度物体分类方法 | 第44-58页 |
| 4.1 卷积神经网络的基本原理 | 第44-46页 |
| 4.2 基于卷积神经网络的细粒度物体分类方法 | 第46-53页 |
| 4.2.1 卷积神经网络结构 | 第46-48页 |
| 4.2.2 神经元模型 | 第48-50页 |
| 4.2.3 卷积神经网络的训练 | 第50-52页 |
| 4.2.4 深度卷积激活特征 | 第52-53页 |
| 4.3 实验分析与比较 | 第53-57页 |
| 4.3.1 实验设置 | 第53-55页 |
| 4.3.2 实验结果分析与比较 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |
