基于反向训练和深度学习的植物图像集分类算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 植物图像分类的研究现状 | 第9-11页 |
| 1.2.2 图像集分类算法研究现状 | 第11-15页 |
| 1.3 本文的组织结构 | 第15-17页 |
| 第2章 植物图像特征提取 | 第17-25页 |
| 2.1 图像预处理 | 第17-20页 |
| 2.1.1 图像灰度化 | 第17-18页 |
| 2.1.2 图像增强 | 第18-20页 |
| 2.2 植物图像提取特征 | 第20-24页 |
| 2.2.1 LBP纹理特征 | 第20-21页 |
| 2.2.2 Gabor纹理特征 | 第21-22页 |
| 2.2.3 Gist特征 | 第22页 |
| 2.2.4 PHOG特征 | 第22-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 基于反向训练的植物图像集分类算法 | 第25-41页 |
| 3.1 算法总框架 | 第27-31页 |
| 3.2 分类器设计 | 第31页 |
| 3.3 训练集拆分 | 第31-32页 |
| 3.4 多特征融合方法 | 第32-33页 |
| 3.5 实验结果与分析 | 第33-40页 |
| 3.5.1 实验参数设定 | 第34-35页 |
| 3.5.2 不同特征实验结果对比 | 第35-36页 |
| 3.5.3 与经典图像集分类算法对比 | 第36-38页 |
| 3.5.4 样本数目变化对算法分类准确率的影响 | 第38-39页 |
| 3.5.5 减少样本种类数对算法分类准确率的影响 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于深度学习的植物图像集分类算法 | 第41-57页 |
| 4.1 类别专有深度学习模型 | 第43-44页 |
| 4.2 模型参数的初始化 | 第44-46页 |
| 4.3 算法框架结构分析 | 第46-49页 |
| 4.4 实验结果与分析 | 第49-56页 |
| 4.4.1 不同特征实验结果对比 | 第49-51页 |
| 4.4.2 与经典图像集分类算法对比 | 第51-53页 |
| 4.4.3 样本数目变化对算法分类准确率的影响 | 第53-54页 |
| 4.4.4 不同算法对样本数目变化的对比实验 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论与展望 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-66页 |
| 在学期间取得成果 | 第66页 |
