深度学习在图像分类中的应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 图像分类研究现状 | 第9-11页 |
| 1.2.2 深度学习研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.3.1 研究目标 | 第12页 |
| 1.3.2 研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第二章 图像分类关键技术综述 | 第13-27页 |
| 2.1 图像预处理技术 | 第13-15页 |
| 2.1.1 图像的灰度化 | 第13页 |
| 2.1.2 图像的平滑 | 第13-14页 |
| 2.1.3 图像锐化 | 第14页 |
| 2.1.4 图像二值化 | 第14-15页 |
| 2.1.5 图像归一化 | 第15页 |
| 2.2 图像特征提取概述 | 第15-17页 |
| 2.2.1 颜色特征 | 第15-16页 |
| 2.2.2 纹理特征 | 第16页 |
| 2.2.3 形状特征 | 第16-17页 |
| 2.2.4 其它特征 | 第17页 |
| 2.3 深度学习模型 | 第17-26页 |
| 2.3.1 深度卷积神经网络 | 第18-22页 |
| 2.3.2 深度置信网络 | 第22-24页 |
| 2.3.3 自动编码器 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于深度学习改进的单标记图像分类 | 第27-41页 |
| 3.1 深度学习模型 | 第27-30页 |
| 3.1.1 CNet | 第27-28页 |
| 3.1.2 Alex Net | 第28-30页 |
| 3.2 基于底层特征改进的深度图像特征提取方法 | 第30-33页 |
| 3.2.1 图像颜色直方图特征提取 | 第30-31页 |
| 3.2.2 分类器介绍 | 第31-33页 |
| 3.2.3 DLCH方法流程 | 第33页 |
| 3.3 基于降维方法改进的深度图像特征提取方法 | 第33-36页 |
| 3.3.1 降维方法介绍 | 第33-35页 |
| 3.3.2 KNN分类器 | 第35-36页 |
| 3.3.3 DLDR方法流程 | 第36页 |
| 3.4 实验结果 | 第36-39页 |
| 3.4.1 数据集介绍 | 第36-37页 |
| 3.4.2 DLCH方法实验结果 | 第37-39页 |
| 3.4.3 DLDR方法实验结果 | 第39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于深度学习改进的多标记图像分类 | 第41-48页 |
| 4.1 多示例多标记学习 | 第41页 |
| 4.2 图像包的生成 | 第41-44页 |
| 4.2.1 图像分割 | 第42页 |
| 4.2.2 图像特征提取 | 第42-43页 |
| 4.2.3 图像包的生成方法介绍 | 第43-44页 |
| 4.3 多示例多标记KNN分类 | 第44-46页 |
| 4.3.1 MIML-KNN算法 | 第44-45页 |
| 4.3.2 包间距离度量 | 第45页 |
| 4.3.3 评价函数 | 第45-46页 |
| 4.4 实验结果 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-49页 |
| 5.1 本文主要工作和贡献 | 第48页 |
| 5.2 未来展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 在学期间发表的学术论文和参与的项目 | 第52-53页 |
| 致谢 | 第53页 |
