| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外现状 | 第11-13页 |
| 1.3 本文涉及内容及章节安排 | 第13-14页 |
| 1.4 本章总结 | 第14-15页 |
| 第二章 图像分类的相关研究方法 | 第15-35页 |
| 2.1 卷积神经网络的图像分类方法 | 第15-24页 |
| 2.1.1 卷积神经网络的基本概念 | 第15-16页 |
| 2.1.2 卷积神经网络的原理 | 第16-21页 |
| 2.1.3 卷积神经网络的网络结构 | 第21-23页 |
| 2.1.4 基于卷积神经网络的细粒度图像识别 | 第23-24页 |
| 2.2 selective search方法实现物体识别 | 第24-28页 |
| 2.2.1 区域合并算法 | 第25-26页 |
| 2.2.2 多样性策略 | 第26-27页 |
| 2.2.3 选择性搜索进行物体识别 | 第27-28页 |
| 2.3 谱聚类 | 第28-34页 |
| 2.3.1 谱聚类与图划分问题 | 第29-31页 |
| 2.3.2 谱聚类的相关概念 | 第31-33页 |
| 2.3.3 谱聚类的算法框架 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 物体定位模型 | 第35-44页 |
| 3.1 卷积神经网络可视化分析 | 第36-37页 |
| 3.2 物体定位模型在物体定位上的研究思路 | 第37-40页 |
| 3.2.1 卷积层特征叠加图的获得 | 第37-39页 |
| 3.2.2 获得Mask map最大连通区域 | 第39页 |
| 3.2.3 算法流程 | 第39-40页 |
| 3.3 物体定位模型的实验分析 | 第40-43页 |
| 3.3.1 物体定位评估标准 | 第40-41页 |
| 3.3.2 物体定位实验结果 | 第41-42页 |
| 3.3.3 物体定位模型分类结果 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于谱聚类的部件选择模型 | 第44-51页 |
| 4.1 部件选择模型的算法流程 | 第44-48页 |
| 4.1.1 用Selective search方法来提取图像块 | 第44-45页 |
| 4.1.2 用FilterNet筛选图像块 | 第45-46页 |
| 4.1.3 部件检测器的构建 | 第46-47页 |
| 4.1.4 算法流程 | 第47-48页 |
| 4.2 部件选择模型实验结果分析 | 第48-50页 |
| 4.2.1 部件选择模型部件定位结果 | 第48-49页 |
| 4.2.2 部件选择模型图片分类结果 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 算法流程及相关工作 | 第51-56页 |
| 5.1 整个算法的框架和流程 | 第51-52页 |
| 5.2 实验结果分析 | 第52-55页 |
| 5.2.1 图像的预处理 | 第52-53页 |
| 5.2.2 实验平台 | 第53页 |
| 5.2.3 实验参数 | 第53页 |
| 5.2.4 实验结果分析 | 第53-55页 |
| 5.3 特征表示的选择 | 第55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结和展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 问题和展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |