| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 图像分类研究背景和意义 | 第9-10页 |
| 1.2 细粒度分类研究难点分析 | 第10-12页 |
| 1.3 研究内容及组织结构 | 第12-14页 |
| 1.3.1 全文研究内容 | 第12-13页 |
| 1.3.2 全文组织结构 | 第13-14页 |
| 2 图像细粒度分类研究现状和基本模型 | 第14-21页 |
| 2.1 细粒度图像分类研究现状 | 第14-15页 |
| 2.2 基于视觉词袋算法的细粒度特征提取 | 第15-18页 |
| 2.2.1 图像描述子提取 | 第16-17页 |
| 2.2.2 视觉特征词典训练 | 第17页 |
| 2.2.3 图像特征编码 | 第17-18页 |
| 2.2.4 特征池化与分类 | 第18页 |
| 2.3 基于卷积神经网络的细粒度特征提取 | 第18-20页 |
| 2.3.1 网络基本结构介绍 | 第19-20页 |
| 2.3.2 分类网络训练 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 基于细化部件对齐的细粒度分类算法 | 第21-35页 |
| 3.1 部件对齐算法 | 第23-24页 |
| 3.1.1 基于Grab-cut的前景提取 | 第23-24页 |
| 3.1.2 基于重力矢量估计的部件对齐 | 第24页 |
| 3.2 部件细化算法 | 第24-30页 |
| 3.2.1 基于区域合并的部件细化 | 第24-26页 |
| 3.2.2 基于边缘轮廓的部件细化 | 第26-28页 |
| 3.2.3 基于双层共分割的部件细化 | 第28-30页 |
| 3.3 实验分析 | 第30-33页 |
| 3.3.1 局部描述子提取 | 第30-31页 |
| 3.3.2 图像特征表示 | 第31页 |
| 3.3.3 实验结果分析 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 4 基于超像素部件对齐的细粒度分类算法 | 第35-45页 |
| 4.1 超像素分割 | 第36-39页 |
| 4.1.1 加权K均值聚类算法与规范化切割算法的结合 | 第36-37页 |
| 4.1.2 基于加权K均值聚类的超像素分割 | 第37-39页 |
| 4.2 基于超像素的前景分割 | 第39-41页 |
| 4.2.1 基于超像素的层次化区域树构建 | 第39页 |
| 4.2.2 基于超像素模板匹配的前景分割 | 第39-41页 |
| 4.3 实验分析与比较 | 第41-44页 |
| 4.3.1 超像素分割实验 | 第41-42页 |
| 4.3.2 前景背景分割实验 | 第42页 |
| 4.3.3 细粒度分类实验分析 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 5 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45-46页 |
| 5.2 展望 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 攻读硕士学位期间发表学术论文情况 | 第51-53页 |
| 致谢 | 第53-55页 |