基于深度学习的多特征图像分类方法及其应用
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 图像分类的研究现状 | 第11-13页 |
| 1.2.3 深度学习的研究现状 | 第13-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文组织结构安排 | 第16-19页 |
| 2 相关理论方法 | 第19-28页 |
| 2.1 传统图像分类方法 | 第19-23页 |
| 2.1.1 随机森林 | 第20-21页 |
| 2.1.2 支持向量机 | 第21-23页 |
| 2.2 神经网络方法 | 第23-27页 |
| 2.2.1 神经网络 | 第23-25页 |
| 2.2.2 卷积神经网络 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 基于DCNN的多特征融合图像分类模型 | 第28-47页 |
| 3.1 基于DCNN迁移学习的图像分类模型 | 第28-34页 |
| 3.1.1 深度卷积神经网络(DCNN) | 第28-30页 |
| 3.1.2 DCNN的训练 | 第30-31页 |
| 3.1.3 DCNN迁移学习模型网络结构 | 第31-34页 |
| 3.2 基于XGBoost的图像分类模型 | 第34-39页 |
| 3.2.1 支持向量机分类模型 | 第34-37页 |
| 3.2.2 XGBoost分类模型 | 第37-39页 |
| 3.3 多特征融合图像分类模型 | 第39-45页 |
| 3.3.1 灰度共生矩阵(GLCM) | 第39-41页 |
| 3.3.2 方向梯度直方图 | 第41-43页 |
| 3.3.3 基于纹理特征的图像分类模型 | 第43-44页 |
| 3.3.4 多特征融合图像分类模型的设计 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 多特征融合图像分类模型的应用 | 第47-65页 |
| 4.1 数据来源与预处理 | 第47-52页 |
| 4.1.1 图像数据来源 | 第47-48页 |
| 4.1.2 图像预处理 | 第48-50页 |
| 4.1.3 图像特征分析 | 第50-52页 |
| 4.2 基于迁移学习的图像分类模型的实验结果 | 第52-56页 |
| 4.2.1 样本数据选取 | 第52页 |
| 4.2.2 结果对比与分析 | 第52-56页 |
| 4.3 多特征融合图像分类模型实验结果分析 | 第56-64页 |
| 4.3.1 训练结果对比分析 | 第56-59页 |
| 4.3.2 测试结果对比分析 | 第59-63页 |
| 4.3.3 与现有文献对比分析 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 本文总结 | 第65-66页 |
| 5.2 未来展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 作者简历及攻读硕士学位期间的科研成果 | 第74-75页 |
