| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究的背景和意义 | 第9-11页 |
| 1.2 零样本图像分类的研究现状 | 第11-14页 |
| 1.2.1 零样本图像分类任务中的难点 | 第11-13页 |
| 1.2.2 零样本图像分类方法总结 | 第13-14页 |
| 1.3 本文的研究目标和研究内容 | 第14-15页 |
| 1.4 本文的内容安排 | 第15-17页 |
| 第2章 零样本图像分类相关理论介绍 | 第17-23页 |
| 2.1 深度卷积神经网络简介 | 第17-18页 |
| 2.1.1 深度学习概述 | 第17-18页 |
| 2.1.2 VGG模型的基本结构 | 第18页 |
| 2.2 Word2Vec模型简介 | 第18-21页 |
| 2.2.1 CBOW模型 | 第18-20页 |
| 2.2.2 Skip-gram模型 | 第20-21页 |
| 2.3 属性特征简介 | 第21-22页 |
| 2.4 小结 | 第22-23页 |
| 第3章 基于多组间因子分析的零样本图像分类 | 第23-37页 |
| 3.1 多组间因子分析 | 第23-25页 |
| 3.1.1 组间因子分析 | 第23-24页 |
| 3.1.2 多组间因子分析 | 第24-25页 |
| 3.2 基于多组间因子分析的零样本图像分类 | 第25-27页 |
| 3.2.1 MBFA-ZSL整体流程 | 第25-27页 |
| 3.2.2 构建MBFA公共特征空间 | 第27页 |
| 3.2.3 未见过类的预测 | 第27页 |
| 3.3 实验 | 第27-35页 |
| 3.3.1 数据集与实验设定 | 第27-30页 |
| 3.3.2 实验结果及分析 | 第30-33页 |
| 3.3.3 参数分析 | 第33页 |
| 3.3.4 算法效率 | 第33-35页 |
| 3.4 小结 | 第35-37页 |
| 第4章 基于典型相关分析和距离度量学习的零样本图像分类 | 第37-47页 |
| 4.1 典型相关分析 | 第37页 |
| 4.2 距离度量学习 | 第37-38页 |
| 4.3 基于典型相关分析和距离度量学习的零样本图像分类 | 第38-41页 |
| 4.4 实验 | 第41-46页 |
| 4.4.1 数据集与实验设置 | 第41-43页 |
| 4.4.2 距离度量学习对算法性能的影响分析 | 第43页 |
| 4.4.3 与当前先进算法的对比分析 | 第43-44页 |
| 4.4.4 公共特征空间维数对算法性能的影响 | 第44-45页 |
| 4.4.5 训练样本数对算法性能的影响 | 第45-46页 |
| 4.5 小结 | 第46-47页 |
| 第5章 总结与展望 | 第47-49页 |
| 5.1 本文工作总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 发表论文和参加科研情况说明 | 第53-55页 |
| 致谢 | 第55-56页 |