基于深度学习的细粒度图像分类研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题背景及研究目的和意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 研究目的及意义 | 第10-11页 |
| 1.2 细粒度图像分类相关工作的研究概况 | 第11-17页 |
| 1.2.1 人工设计特征方法的研究现状 | 第12-13页 |
| 1.2.2 强监督深度学习方法的研究现状 | 第13-15页 |
| 1.2.3 弱监督深度学习方法的研究现状 | 第15-17页 |
| 1.3 细粒度图像分类存在的问题 | 第17-18页 |
| 1.4 本文主要研究内容及组织结构 | 第18-20页 |
| 第2章 细粒度图像分类相关理论基础 | 第20-33页 |
| 2.1 卷积神经网络 | 第20-29页 |
| 2.1.1 模型构成 | 第20-26页 |
| 2.1.2 感受野 | 第26-29页 |
| 2.2 细粒度图像数据集及数据增强 | 第29-32页 |
| 2.2.1 细粒度图像数据集 | 第29-30页 |
| 2.2.2 mixup数据增强方法 | 第30-31页 |
| 2.2.3 细粒度图像分类基准结果 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于物体显著图的弱监督细粒度图像分类 | 第33-45页 |
| 3.1 物体显著图 | 第33-37页 |
| 3.1.1 基于模型注意力的物体显著图 | 第34-36页 |
| 3.1.2 显著图实验结果 | 第36-37页 |
| 3.2 图像判别力区域提取 | 第37-39页 |
| 3.3 模型整体框架 | 第39页 |
| 3.4 细粒度图像分类实验结果 | 第39-44页 |
| 3.4.1 实验设置 | 第39-40页 |
| 3.4.2 单一尺度模型的分类结果 | 第40-42页 |
| 3.4.3 多尺度模型的分类结果 | 第42-43页 |
| 3.4.4 不同方法分类结果 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于自适应图像变换的弱监督细粒度图像分类 | 第45-56页 |
| 4.1 图像变换 | 第45-48页 |
| 4.1.1 仿射变换 | 第45-47页 |
| 4.1.2 图像插值 | 第47-48页 |
| 4.2 模型结构 | 第48-53页 |
| 4.2.1 空间变换层 | 第49-50页 |
| 4.2.2 多尺度空间变换模型框架 | 第50-52页 |
| 4.2.3 损失函数 | 第52-53页 |
| 4.3 实验结果与分析 | 第53-55页 |
| 4.3.1 实验设置 | 第53页 |
| 4.3.2 准确率结果 | 第53-54页 |
| 4.3.3 方法速度对比 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第62-64页 |
| 致谢 | 第64页 |
