图像分类中深度特征的二阶统计建模方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-14页 |
| 1.2 图像分类研究现状 | 第14-18页 |
| 1.2.1 视觉词袋模型 | 第14-15页 |
| 1.2.2 深度卷积神经网络的图像分类模型 | 第15-16页 |
| 1.2.3 深度卷积神经网络与传统方法结合模型 | 第16-18页 |
| 1.3 论文的主要难点和研究内容 | 第18-20页 |
| 2 深度卷积特征与二阶统计建模 | 第20-28页 |
| 2.1 深度卷积特征 | 第20-23页 |
| 2.2 二阶统计建模 | 第23-26页 |
| 2.2.1 双线性卷积神经网络 | 第23-24页 |
| 2.2.2 鲁棒近似无穷维高斯描述子 | 第24-26页 |
| 2.3 本章小结 | 第26-28页 |
| 3 多层融合的二阶统计卷积神经网络模型 | 第28-45页 |
| 3.1 引言 | 第28-30页 |
| 3.2 跨层双线性卷积神经网络 | 第30-31页 |
| 3.3 多层双线性池化 | 第31-34页 |
| 3.3.1 特征累加层面的双线性池化 | 第31-32页 |
| 3.3.2 表达层面的双线性池化 | 第32-33页 |
| 3.3.3 特征级堆叠后降维的双线性池化 | 第33-34页 |
| 3.4 实验结果与分析 | 第34-44页 |
| 3.4.1 实验设置 | 第34-35页 |
| 3.4.2 数据库介绍 | 第35-37页 |
| 3.4.3 细粒度分类实验 | 第37-41页 |
| 3.4.4 图像检索实验 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 深度特征鲁棒协方差表示的图像分类方法 | 第45-58页 |
| 4.1 引言 | 第45-46页 |
| 4.2 鲁棒协方差估计与大间隔降维方法 | 第46-52页 |
| 4.2.1 关于协方差的基础知识 | 第46-47页 |
| 4.2.2 正则化的最大似然估计 | 第47-51页 |
| 4.2.3 实对称正定矩阵流形上的大间隔降维 | 第51-52页 |
| 4.3 实验结果与分析 | 第52-57页 |
| 4.3.1 实验设置与数据库介绍 | 第52-53页 |
| 4.3.2 鲁棒协方差估计的影响 | 第53-55页 |
| 4.3.3 判别性降维方法的比较 | 第55-56页 |
| 4.3.4 与当前最优方法的比较 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 结论和展望 | 第58-60页 |
| 5.1 结论 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表学术论文情况 | 第65-66页 |
| 致谢 | 第66页 |
