| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 基于手工特征的场景分类算法 | 第11-12页 |
| 1.2.2 基于高层语义特征的场景分类算法 | 第12-13页 |
| 1.3 场景分类领域存在的问题 | 第13页 |
| 1.4 本文的主要工作 | 第13-14页 |
| 1.5 本文章节安排 | 第14-16页 |
| 第2章 基于多尺度卷积神经网络的场景分类方法 | 第16-37页 |
| 2.1 引言 | 第16-18页 |
| 2.2 相关理论 | 第18-22页 |
| 2.2.1 卷积 | 第18-19页 |
| 2.2.2 池化 | 第19页 |
| 2.2.3 激活函数 | 第19-21页 |
| 2.2.4 全连接 | 第21-22页 |
| 2.3 端到端的多尺度神经网络 | 第22-29页 |
| 2.3.1 多尺度层 | 第23-24页 |
| 2.3.2 子卷积网络 | 第24-27页 |
| 2.3.2.1 low-level场景块的子卷积网络 | 第24-26页 |
| 2.3.2.2 mid-level场景块的子卷积网络 | 第26-27页 |
| 2.3.2.3 global-level场景块的子卷积网络 | 第27页 |
| 2.3.3 尺度间特征融合模块 | 第27页 |
| 2.3.4 目标函数 | 第27-29页 |
| 2.4 实验 | 第29-35页 |
| 2.4.1 尺度内特征融合模块结构 | 第29-31页 |
| 2.4.2 验证多尺度场景块间的互补性 | 第31-33页 |
| 2.4.3 验证多任务策略和特征预融合策略的必要性 | 第33-34页 |
| 2.4.4 公共场景数据库上验证算法性能 | 第34-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第3章 基于判别性场景特征的场景分类方法 | 第37-51页 |
| 3.1 引言 | 第37-38页 |
| 3.2 相关理论 | 第38-41页 |
| 3.2.1 线性分类问题 | 第39-40页 |
| 3.2.2 线性分类器 | 第40-41页 |
| 3.3 基于判别性场景特征的场景分类方法 | 第41-46页 |
| 3.3.1 提取具有判别性的场景块 | 第42-43页 |
| 3.3.2 提取场景图像块的语义特征 | 第43-44页 |
| 3.3.3 改进的VLAD算法 | 第44-45页 |
| 3.3.4 提取场景的全局特征 | 第45页 |
| 3.3.5 使用SVM分类 | 第45-46页 |
| 3.4 实验 | 第46-50页 |
| 3.4.1 数据库及实验设置 | 第46页 |
| 3.4.2 实验结果及分析 | 第46-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 总结与展望 | 第51-53页 |
| 4.1 本文工作内容总结 | 第51页 |
| 4.2 本文算法的不足以及未来的工作 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间公开发表论文 | 第58页 |
