| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 移动端动物识别的国内外研究现状 | 第13-19页 |
| 1.2.1 物体识别的国内外研究现状 | 第13-15页 |
| 1.2.2 动物识别的国内外研究现状 | 第15-16页 |
| 1.2.3 移动端物体识别的国内外研究现状 | 第16-19页 |
| 1.3 论文的研究内容和结构安排 | 第19-21页 |
| 第二章 合成少数类过采样算法及其改进 | 第21-30页 |
| 2.1 动物图像数据集 | 第21-23页 |
| 2.2 数据集不平衡及扩充 | 第23-24页 |
| 2.3 合成少数类过采样技术算法 | 第24-27页 |
| 2.3.1 SMOTE算法 | 第25-26页 |
| 2.3.2 Borderline-SMOTE算法 | 第26页 |
| 2.3.3 SMOTEBoost算法 | 第26页 |
| 2.3.4 AND-SMOTE算法 | 第26页 |
| 2.3.5 C_SMOTE算法 | 第26-27页 |
| 2.4 改进的边缘增强SMOTE算法 | 第27-29页 |
| 2.4.1 改进算法 | 第27-28页 |
| 2.4.2 实验结果与分析 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于卷积神经网络的动物图像识别 | 第30-64页 |
| 3.1 卷积神经网络的相关理论 | 第30-47页 |
| 3.1.1 神经元结构 | 第30-34页 |
| 3.1.2 卷积神经网络结构 | 第34-39页 |
| 3.1.3 反向传播算法 | 第39-42页 |
| 3.1.4 典型CNN模型 | 第42-47页 |
| 3.2 密集连接卷积神经网络DenseNet | 第47-51页 |
| 3.2.1 理论基础 | 第47-49页 |
| 3.2.2 网络实现细节 | 第49-50页 |
| 3.2.3 性能 | 第50-51页 |
| 3.3 基于移动端的高效卷积神经网络MobileNet及其改进 | 第51-59页 |
| 3.3.1 MobileNet网络 | 第51-54页 |
| 3.3.2 MobileNetV2网络 | 第54-56页 |
| 3.3.3 MobileNet网络的改进 | 第56-59页 |
| 3.4 网络性能实验比较 | 第59-63页 |
| 3.4.1 实验内容 | 第59页 |
| 3.4.2 实验结果与分析 | 第59-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第四章 基于SISURF特征预训练的动物图像识别 | 第64-84页 |
| 4.1 SIFT算法 | 第64-71页 |
| 4.1.1 二维高斯函数 | 第64-66页 |
| 4.1.2 尺度空间 | 第66-68页 |
| 4.1.3 检测关键点 | 第68-70页 |
| 4.1.4 特征点描述 | 第70-71页 |
| 4.1.5 SIFT特征提取实例 | 第71页 |
| 4.2 SURF算法 | 第71-76页 |
| 4.2.1 构建黑森矩阵 | 第72-73页 |
| 4.2.2 尺度空间 | 第73-74页 |
| 4.2.3 检测关键点 | 第74页 |
| 4.2.4 特征点主方向的确定 | 第74-75页 |
| 4.2.5 特征点描述 | 第75页 |
| 4.2.6 SURF特征提取实例 | 第75-76页 |
| 4.3 局部描述算子SISURF和SUSIFT | 第76-79页 |
| 4.3.1 算法描述 | 第77-78页 |
| 4.3.2 性能比较 | 第78-79页 |
| 4.3.3 特征提取实例 | 第79页 |
| 4.4 基于SISURF特征显著图预训练的实验 | 第79-83页 |
| 4.4.1 SISURF特征显著图 | 第80-81页 |
| 4.4.2 实验结果与分析 | 第81-83页 |
| 4.5 本章小结 | 第83-84页 |
| 第五章 在移动端上加载模型 | 第84-87页 |
| 5.1 应用开发 | 第84-86页 |
| 5.1.1 总体结构 | 第84-85页 |
| 5.1.2 开发环境 | 第85-86页 |
| 5.1.3 软件参数 | 第86页 |
| 5.2 本章小结 | 第86-87页 |
| 第六章 总结与展望 | 第87-89页 |
| 参考文献 | 第89-95页 |
| 攻读硕士学位期间取得的研究成果 | 第95-97页 |
| 致谢 | 第97-98页 |
| 附件 | 第98页 |