| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 关键技术简介 | 第13-15页 |
| 1.4 论文内容安排 | 第15-17页 |
| 第二章 相关基础理论 | 第17-23页 |
| 2.1 局部约束线性编码 | 第17-18页 |
| 2.2 空间金字塔匹配 | 第18-19页 |
| 2.3 稀疏自编码器 | 第19-20页 |
| 2.4 卷积神经网络 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于全局非线性编码的图像分类 | 第23-35页 |
| 3.1 引言 | 第23-24页 |
| 3.2 图像全局非线性的度量 | 第24-28页 |
| 3.2.1 局部性约束 | 第24-25页 |
| 3.2.2 编码字典元素的局部相似性 | 第25-26页 |
| 3.2.3 全局非线性编码 | 第26-28页 |
| 3.3 基于全局非线性编码的图像分类 | 第28-29页 |
| 3.4 实验结果及分析 | 第29-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 图像分类中卷积神经网络的构建 | 第35-55页 |
| 4.1 引言 | 第35-36页 |
| 4.2 基于稀疏自编码器的特征自学习 | 第36-39页 |
| 4.2.1 稀疏自编码器的网络结构 | 第36-37页 |
| 4.2.2 特征自学习及其可视化 | 第37-39页 |
| 4.3 基于卷积神经网络的图像分类 | 第39-45页 |
| 4.3.1 网络层次结构 | 第39-41页 |
| 4.3.2 训练过程 | 第41-45页 |
| 4.4 实验结果及分析 | 第45-52页 |
| 4.5 本章小结 | 第52-55页 |
| 第五章 基于多尺度卷积神经网络的图像分类 | 第55-71页 |
| 5.1 引言 | 第55-56页 |
| 5.2 多尺度卷积神经网络 | 第56-59页 |
| 5.2.1 图像多尺度分解 | 第56-57页 |
| 5.2.2 池化降维处理 | 第57-59页 |
| 5.3 基于多尺度卷积神经网络的图像分类 | 第59-62页 |
| 5.4 实验结果及分析 | 第62-69页 |
| 5.5 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-75页 |
| 6.1 本文总结 | 第71-72页 |
| 6.2 未来工作与展望 | 第72-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-83页 |
| 硕士期间参加科研项目、发表论文、申请专利、获奖情况 | 第83-84页 |