| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 特征学习现状 | 第11-12页 |
| 1.2.2 植物叶片识别领域现状 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第2章 基于二值伽柏模式和极限学习机的植物叶片识别 | 第16-23页 |
| 2.1 算法框架 | 第16-17页 |
| 2.2 植物叶片预处理 | 第17页 |
| 2.3 基于二值伽柏模式特征提取算法 | 第17-20页 |
| 2.4 基于极限学习机的植物叶片分类 | 第20-22页 |
| 2.5 极限学习机与支持向量机比较 | 第22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 基于深层网络特征学习的植物叶片识别 | 第23-32页 |
| 3.1 深度学习的相关概念 | 第23-24页 |
| 3.2 基于深层网络特征学习的框架 | 第24-25页 |
| 3.3 植物叶片预处理 | 第25-26页 |
| 3.4 卷积神经网络的结构 | 第26-28页 |
| 3.4.1 卷积层操作 | 第26-27页 |
| 3.4.2 激活函数 | 第27页 |
| 3.4.3 池化层操作 | 第27-28页 |
| 3.5 网络结构设计 | 第28-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第4章 深度网络特征学习的可视化验证 | 第32-35页 |
| 4.1 反卷积网络可视化 | 第32-34页 |
| 4.1.1 反池化 | 第33-34页 |
| 4.1.2 反激活 | 第34页 |
| 4.1.3 反卷积 | 第34页 |
| 4.2 本章小结 | 第34-35页 |
| 第5章 实验结果与分析 | 第35-52页 |
| 5.1 基于BGP和ELM的研究结果分析 | 第35-40页 |
| 5.1.1 基于BGP和ELM的植物叶片识别系统设计 | 第35-36页 |
| 5.1.2 基于BGP和ELM的实验结果分析 | 第36-40页 |
| 5.2 基于深层网络特征学习的研究结果分析 | 第40-48页 |
| 5.2.1 基于深层网络特征学习的植物叶片识别系统 | 第40-42页 |
| 5.2.2 深层网络结构设计实验结果分析 | 第42-43页 |
| 5.2.3 基于深层网络（网络 3）特征学习的实验结果分析 | 第43-48页 |
| 5.3 反卷积可视化验证 | 第48-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间的研究成果 | 第59页 |
