| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 选题背景与意义 | 第17页 |
| 1.2 国内外研究背景与现状 | 第17-21页 |
| 1.2.1 基于传统图像特征及机器学习的分类算法 | 第17-18页 |
| 1.2.2 基于深度学习的分类算法 | 第18-20页 |
| 1.2.3 生成对抗网络的研究现状 | 第20-21页 |
| 1.3 论文主要研究内容 | 第21-22页 |
| 1.4 论文结构安排 | 第22-23页 |
| 第二章 论文相关理论基础 | 第23-39页 |
| 2.1 图像特征 | 第23-25页 |
| 2.1.1 Hu不变矩 | 第23-24页 |
| 2.1.2 梯度方向直方图 | 第24-25页 |
| 2.2 机器学习的分类模型 | 第25-28页 |
| 2.2.1 SVM | 第25-26页 |
| 2.2.2 随机森林 | 第26-28页 |
| 2.3 深度学习网络 | 第28-38页 |
| 2.3.1 分类网络 | 第28-33页 |
| 2.3.2 生成对抗网络 | 第33-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 基于改进多特征分类器融合的目标识别方法 | 第39-59页 |
| 3.1 引言 | 第39-41页 |
| 3.2 基于改进多特征分类器融合的立体目标识别算法 | 第41-50页 |
| 3.2.1 积木玩具介绍 | 第41-43页 |
| 3.2.2 改进多图像特征原理 | 第43-49页 |
| 3.2.3 多分类器融合算法 | 第49-50页 |
| 3.3 算法具体步骤 | 第50-51页 |
| 3.4 实验结果分析与展示 | 第51-57页 |
| 3.4.1 实验结果分析 | 第52-53页 |
| 3.4.2 实测结果展示 | 第53-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 基于迁移学习和网络精简的小样本目标识别方法 | 第59-73页 |
| 4.1 引言 | 第59-60页 |
| 4.2 基于迁移学习和网络精简的小样本目标识别算法 | 第60-64页 |
| 4.3 算法具体步骤 | 第64-65页 |
| 4.4 实验结果分析与展示 | 第65-72页 |
| 4.4.1 实验结果分析 | 第66-69页 |
| 4.4.2 实测结果展示 | 第69-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 基于改进CycleGAN融合网络的小样本立体目标识别方法 | 第73-93页 |
| 5.1 引言 | 第73-74页 |
| 5.2 基于改进CycleGAN融合网络的小样本目标识别算法 | 第74-79页 |
| 5.2.1 算法主要思想 | 第74-75页 |
| 5.2.2 网络结构 | 第75-79页 |
| 5.3 算法具体步骤 | 第79-80页 |
| 5.4 实验结果分析 | 第80-92页 |
| 5.4.1 3D模型样本介绍 | 第80-82页 |
| 5.4.2 网络结构参数 | 第82-84页 |
| 5.4.3 对比实验分析 | 第84-92页 |
| 5.5 本章小结 | 第92-93页 |
| 第六章 总结与展望 | 第93-95页 |
| 6.1 本文工作总结 | 第93-94页 |
| 6.2 未来展望 | 第94-95页 |
| 参考文献 | 第95-99页 |
| 致谢 | 第99-101页 |
| 作者简介 | 第101-102页 |
