| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题研究的目的及意义 | 第12页 |
| 1.2 图像目标识别的研究现状 | 第12-14页 |
| 1.3 深度学习的研究现状 | 第14-15页 |
| 1.4 论文的主要研究内容及章节安排 | 第15-18页 |
| 第二章 深度学习的基本原理 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 深度学习的人类视觉系统启示 | 第18-19页 |
| 2.3 深度学习的模型及性能研究 | 第19-22页 |
| 2.4 深度学习的标准HMAX模型 | 第22-26页 |
| 2.5 标准HMAX模型的缺陷及改进 | 第26-27页 |
| 2.6 小结 | 第27-28页 |
| 第三章 基于切线方向场的卷积层(S1层)稀疏化研究 | 第28-36页 |
| 3.1 引言 | 第28页 |
| 3.2 Gabor滤波器概述及参数设置 | 第28-31页 |
| 3.3 基于图像切线方向场的卷积层稀疏化 | 第31-33页 |
| 3.4 稀疏化性能评估 | 第33-34页 |
| 3.5 小结 | 第34-36页 |
| 第四章 基于梯度场的匹配层(C1层)优化研究 | 第36-47页 |
| 4.1 引言 | 第36页 |
| 4.2 SIFT特征点简述 | 第36-40页 |
| 4.2.1 尺度空间极值检测 | 第37-39页 |
| 4.2.2 计算参数 | 第39-40页 |
| 4.3 基于梯度场的SIFT特征提取方法 | 第40-43页 |
| 4.3.1 高斯滤波 | 第41页 |
| 4.3.2 基于梯度场的特征点去冗余 | 第41-43页 |
| 4.4 定量的特征点分布比较 | 第43-46页 |
| 4.5 小结 | 第46-47页 |
| 第五章 基于Relief/SVM-RFE的特征层(C2层)选择研究 | 第47-62页 |
| 5.1 引言 | 第47页 |
| 5.2 特征选择简述 | 第47-49页 |
| 5.3 Relief算法 | 第49-50页 |
| 5.4 SVM-RFE算法 | 第50-55页 |
| 5.4.1 支持向量机（SVM） | 第51-54页 |
| 5.4.2 递归特征去除方法（RFE） | 第54-55页 |
| 5.5 基于Relief/SVM-RFE的特征选择算法 | 第55-58页 |
| 5.5.1 阈值 δ 的选取 | 第56-57页 |
| 5.5.2 去噪声特征的SVM-RFE算法研究 | 第57-58页 |
| 5.6 特征选择算法的结果比较及分析 | 第58-61页 |
| 5.6.1 实验数据集 | 第58页 |
| 5.6.2 实验参数及方法 | 第58-59页 |
| 5.6.3 实验结果及讨论 | 第59-61页 |
| 5.7 小结 | 第61-62页 |
| 第六章 基于深度学习的识别实验结果及分析 | 第62-69页 |
| 6.0 引言 | 第62页 |
| 6.1 Caltech101数据库介绍 | 第62-63页 |
| 6.2 识别实验的训练及测试方法 | 第63页 |
| 6.3 识别实验的结果及分析 | 第63-66页 |
| 6.4 特征筛选得到的特征块 | 第66-68页 |
| 6.5 小结 | 第68-69页 |
| 结束语 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 作者在学期间取得的学术成果 | 第76-77页 |
| 附录A 第六章实验“car_side”用到的训练集、测试集举例 | 第77-79页 |
