| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 图像分类研究现状 | 第11-17页 |
| 1.2.1 基于手工提取特征的图像分类研究现状 | 第11-13页 |
| 1.2.1.1 基于分割方法的图像分类算法 | 第11-12页 |
| 1.2.1.2 基于词袋模型的图像分类算法 | 第12-13页 |
| 1.2.2 基于深度学习的图像分类研究现状 | 第13-17页 |
| 1.2.2.1 基于全局特征的深度学习图像分类算法 | 第14-15页 |
| 1.2.2.2 基于局部特征的深度学习图像分类算法 | 第15-16页 |
| 1.2.2.3 基于多特征融合的深度学习图像分类算法 | 第16-17页 |
| 1.3 论文主要研究内容 | 第17-18页 |
| 1.4 本文章节安排 | 第18-20页 |
| 第二章 基于多尺度思想的菜品图像分类方法 | 第20-38页 |
| 2.1 引言 | 第20-21页 |
| 2.2 本章算法框架 | 第21-22页 |
| 2.3 多尺度输入图像用于菜品图像分类的方法 | 第22-24页 |
| 2.4 融合多尺度CNN特征谱用于菜品图像分类的方法 | 第24-25页 |
| 2.5 端到端网络模型的设计 | 第25-29页 |
| 2.6 实验结果及分析 | 第29-37页 |
| 2.6.1 实验环境 | 第29-30页 |
| 2.6.2 构建菜品分类数据库CF90 | 第30-31页 |
| 2.6.3 训练网络模型 | 第31-33页 |
| 2.6.4 测试网络模型 | 第33-37页 |
| 2.7 本章小结 | 第37-38页 |
| 第三章 基于可判别区域的菜品图像分类方法 | 第38-53页 |
| 3.1 引言 | 第38-39页 |
| 3.2 本章算法框架 | 第39页 |
| 3.3 CF90菜品图像数据库的餐具分割 | 第39-42页 |
| 3.3.1 基于HSV颜色空间的餐具检测和分割 | 第39-40页 |
| 3.3.2 基于餐具分割结果确定菜品区域 | 第40-42页 |
| 3.4 结合显著谱的菜品图像可判别区域提取 | 第42-44页 |
| 3.4.1 CF90菜品图像数据库的显著谱研究 | 第43-44页 |
| 3.4.2 结合餐具分割结果的可判别区域提取 | 第44页 |
| 3.5 基于可判别区域的菜品图像分类 | 第44-45页 |
| 3.6 实验结果及分析 | 第45-51页 |
| 3.6.1 主观实验结果 | 第45-49页 |
| 3.6.1.1 菜品图像餐具分割结果分析 | 第45-46页 |
| 3.6.1.2 结合餐具分割的可判别区域提取结果分析 | 第46-47页 |
| 3.6.1.3 基于可判别区域的菜品图像分类主观实验结果 | 第47-49页 |
| 3.6.2 客观实验结果 | 第49-51页 |
| 3.7 本章小结 | 第51-53页 |
| 第四章 基于注意力模型的菜品图像分类方法 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 本章算法框架 | 第53-54页 |
| 4.3 基于注意力模型的图像分类思想 | 第54-56页 |
| 4.4 基于注意力模型的菜品图像CNN特征谱改进方法 | 第56-59页 |
| 4.4.1 注意力参数的提取 | 第56-58页 |
| 4.4.2 注意力特征的融合 | 第58-59页 |
| 4.5 注意力空间特征的再利用 | 第59-61页 |
| 4.5.1 粗细粒度的特征级联 | 第59页 |
| 4.5.2 网络模型的设计和训练 | 第59-61页 |
| 4.6 实验结果及分析 | 第61-64页 |
| 4.6.1 主观实验结果 | 第61-62页 |
| 4.6.2 客观实验结果 | 第62-64页 |
| 4.7 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-75页 |
| 攻读硕士学位期间取得的成果 | 第75页 |
