基于CUNet的海量图像分类研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 图像分类的难点 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.4 研究目标和内容 | 第16-18页 |
| 1.5 本论文的结构安排 | 第18-19页 |
| 第二章 海量图像分类技术概述 | 第19-34页 |
| 2.1 图像特征提取 | 第19-31页 |
| 2.1.1 图像底层视觉特征 | 第19-24页 |
| 2.1.1.1 颜色特征 | 第19-21页 |
| 2.1.1.2 纹理特征 | 第21-23页 |
| 2.1.1.3 形状特征 | 第23-24页 |
| 2.1.2 图像中级编码特征 | 第24-28页 |
| 2.1.2.1 图像局部特征 | 第25-26页 |
| 2.1.2.2 视觉词袋模型 | 第26-27页 |
| 2.1.2.3 空间金字塔匹配 | 第27-28页 |
| 2.1.3 图像高级语义特征 | 第28-31页 |
| 2.1.3.1 神经网络算法 | 第28-30页 |
| 2.1.3.2 卷积神经网络模型 | 第30-31页 |
| 2.2 分类器SVM | 第31-33页 |
| 2.2.1 线性可分SVM | 第32页 |
| 2.2.2 线性不可分SVM | 第32-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第三章 基于CUNet的海量图像分类 | 第34-53页 |
| 3.1 CUNet总体框架 | 第36-37页 |
| 3.2 CUNet输入层的预处理 | 第37-39页 |
| 3.2.1 图像归一化 | 第37-38页 |
| 3.2.2 图像白化 | 第38-39页 |
| 3.3 CUNet中间层的构建 | 第39-47页 |
| 3.3.1 卷积特征提取 | 第39-43页 |
| 3.3.2 非线性激活神经元 | 第43-45页 |
| 3.3.3 加权池化 | 第45-47页 |
| 3.4 CUNet输出层的设计 | 第47-50页 |
| 3.5 LIBLINEAR | 第50-51页 |
| 3.6 本章小结 | 第51-53页 |
| 第四章 CUNet性能测试及分析 | 第53-70页 |
| 4.1 数据集简介 | 第53-54页 |
| 4.1.1 CIFAR-10 | 第53页 |
| 4.1.2 STL-10 | 第53页 |
| 4.1.3 MNIST | 第53-54页 |
| 4.1.4 Caltech101 | 第54页 |
| 4.2 CUNet性能测试 | 第54-62页 |
| 4.2.1 CIFAR-10分类准确率测试 | 第54-56页 |
| 4.2.2 STL-10分类准确率测试 | 第56-58页 |
| 4.2.3 MNIST分类准确率测试 | 第58-60页 |
| 4.2.4 Caltech101分类准确率测试 | 第60-62页 |
| 4.3 CUNet普适性测试 | 第62-64页 |
| 4.4 CUNet扩展性测试 | 第64-65页 |
| 4.5 CUNet性能影响因素 | 第65-68页 |
| 4.5.1 卷积核个数的影响 | 第65-67页 |
| 4.5.2 直方图块大小的影响 | 第67-68页 |
| 4.6 CUNet性能分析 | 第68-69页 |
| 4.7 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文研究工作总结 | 第70-71页 |
| 5.2 研究展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻硕期间取得的研究成果 | 第77-78页 |
