基于点击深度模型的细粒度图像识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题背景 | 第10-13页 |
| 1.2 研究思路 | 第13-14页 |
| 1.3 本文工作 | 第14页 |
| 1.4 本文结构 | 第14-15页 |
| 1.5 本章小结 | 第15-17页 |
| 第二章 相关技术综述 | 第17-28页 |
| 2.1 点击数据 | 第17-20页 |
| 2.1.1 点击数据的背景 | 第17-18页 |
| 2.1.2 点击数据集Clickture | 第18-19页 |
| 2.1.3 点击数据集的优点 | 第19-20页 |
| 2.2 细粒度图像识别 | 第20-24页 |
| 2.2.1 双线性卷积神经网络BCNN | 第20-22页 |
| 2.2.2 深度Siamese网络 | 第22-24页 |
| 2.3 弱监督学习方法 | 第24-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 点击特征提取 | 第28-38页 |
| 3.1 图像的点击特征 | 第28-30页 |
| 3.1.1 词袋模型 | 第29页 |
| 3.1.2 点击特征构建 | 第29-30页 |
| 3.2 点击特征优化 | 第30-33页 |
| 3.2.1 原始点击特征的缺陷 | 第30-31页 |
| 3.2.2 大规模文本合并 | 第31-33页 |
| 3.2.3 改进的点击特征 | 第33页 |
| 3.3 实验 | 第33-37页 |
| 3.3.1 实验设置 | 第33-34页 |
| 3.3.2 实验结果 | 第34-36页 |
| 3.3.3 结果分析 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 融合点击的双线性深度模型 | 第38-44页 |
| 4.1 C-BCNN结构框架 | 第38-40页 |
| 4.2 模型训练与优化 | 第40页 |
| 4.3 实验 | 第40-43页 |
| 4.3.1 实验设置 | 第40-41页 |
| 4.3.2 实验结果 | 第41-42页 |
| 4.3.3 结果分析 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 弱监督双线性深度模型 | 第44-52页 |
| 5.1 弱监督学习思想 | 第44-45页 |
| 5.1.1 什么是弱监督学习 | 第44-45页 |
| 5.1.2 针对点击数据如何使用弱监督的思想 | 第45页 |
| 5.2 弱监督双线性深度学习模型 | 第45-47页 |
| 5.3 模型优化 | 第47-48页 |
| 5.4 实验 | 第48-50页 |
| 5.4.1 实验设置 | 第48-49页 |
| 5.4.2 实验结果 | 第49-50页 |
| 5.4.3 结果分析 | 第50页 |
| 5.5 本章小结 | 第50-52页 |
| 第六章 总结与展望 | 第52-55页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-63页 |
| 附录 | 第63-64页 |
| 详细摘要 | 第64-65页 |
