| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 菜品图像分类研究现状 | 第10-12页 |
| 1.2.2 主动学习研究现状 | 第12-13页 |
| 1.3 论文内容及结构安排 | 第13-15页 |
| 2 相关理论介绍 | 第15-32页 |
| 2.1 传统图像分类方法 | 第15-22页 |
| 2.1.1 支持向量机 | 第15-18页 |
| 2.1.2 随机森林 | 第18-19页 |
| 2.1.3 K-means聚类 | 第19-22页 |
| 2.2 深度学习常用模块 | 第22-25页 |
| 2.2.1 卷积层 | 第22-23页 |
| 2.2.2 激活层 | 第23-24页 |
| 2.2.3 池化层 | 第24页 |
| 2.2.4 全连接层 | 第24-25页 |
| 2.3 主动学习算法 | 第25-31页 |
| 2.3.1 算法流程 | 第27-28页 |
| 2.3.2 研究重点 | 第28-29页 |
| 2.3.3 基于委员会的主动学习方法 | 第29-30页 |
| 2.3.4 基于不确定性的主动学习方法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 基于主动学习的中式菜品图像分类 | 第32-41页 |
| 3.1 中式菜品图像数据集 | 第32-33页 |
| 3.1.1 Chinese Food Net数据集 | 第32页 |
| 3.1.2 CF80数据集 | 第32-33页 |
| 3.2 专家委员会算法 | 第33-34页 |
| 3.3 主动学习算法框架 | 第34-35页 |
| 3.4 实验与分析 | 第35-40页 |
| 3.4.1 实验环境与设置 | 第36页 |
| 3.4.2 实验结果分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于主动学习与无监督学习结合的中式菜品图像分类 | 第41-50页 |
| 4.1 基于熵值装袋的主动学习算法 | 第41-43页 |
| 4.1.1 熵值装袋算法 | 第41-42页 |
| 4.1.2 熵值装袋算法的缺陷 | 第42-43页 |
| 4.2 结合无监督学习的样本挑选策略 | 第43-46页 |
| 4.2.1 筛选原理 | 第43-45页 |
| 4.2.2 筛选流程 | 第45-46页 |
| 4.3 实验与分析 | 第46-49页 |
| 4.3.1 实验环境与设置 | 第46页 |
| 4.3.2 实验结果分析 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间的研究成果 | 第57页 |