| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-18页 |
| 1.1 引言 | 第9页 |
| 1.2 图像分类研究背景 | 第9-10页 |
| 1.3 图像分类方法概述 | 第10-14页 |
| 1.3.1 图像分类特征 | 第10-12页 |
| 1.3.2 图像分类器 | 第12-14页 |
| 1.4 图像分类相关技术研究现状 | 第14-16页 |
| 1.4.1 尺度不变特征变换(SIFT)研究现状 | 第14页 |
| 1.4.2 卷积神经网络(CNN)研究现状 | 第14-15页 |
| 1.4.3 随机森林(RF)分类方法研究现状 | 第15页 |
| 1.4.4 图像分类的国内研究现状 | 第15-16页 |
| 1.5 论文主要内容 | 第16-17页 |
| 1.6 论文章节安排 | 第17-18页 |
| 2 池化d-SIFT模型 | 第18-30页 |
| 2.1 密集SIFT特征 | 第18-24页 |
| 2.1.1 SIFT特征 | 第18-22页 |
| 2.1.2 密集SIFT | 第22-24页 |
| 2.2 池化方法介绍 | 第24-25页 |
| 2.3 特征映射模型 | 第25-27页 |
| 2.3.1 图像集-特征集转换模型 | 第26页 |
| 2.3.2 特征集-物体集转换模型 | 第26-27页 |
| 2.4 密集SIFT特征池化模型 | 第27-29页 |
| 2.4.1 密集SIFT池化 | 第27页 |
| 2.4.2 密集SIFT池化形式 | 第27-28页 |
| 2.4.3 池化内积空间的构建 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于SP模型卷积神经网络的分类(SPCNN) | 第30-40页 |
| 3.1 卷积神经网络 | 第30-32页 |
| 3.1.1 卷积神经网络的网络结构 | 第30-31页 |
| 3.1.2 卷积神经网络核心技术 | 第31页 |
| 3.1.3 典型卷积神经网络LeNet-5 | 第31-32页 |
| 3.2 基于池化密集SIFT的卷积神经网络(SPCNN) | 第32-35页 |
| 3.2.1 SPCNN算法基本思想 | 第32-33页 |
| 3.2.2 SPCNN技术实现 | 第33-35页 |
| 3.3 SPCNN实验及讨论 | 第35-39页 |
| 3.3.1 实验评价指标 | 第35页 |
| 3.3.2 SPCNN分类性能分析 | 第35-37页 |
| 3.3.3 SPCNN实验结果对比 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 基于池化密集SIFT随机森林的分类(SPRF) | 第40-55页 |
| 4.1 随机森林分类器 | 第40-42页 |
| 4.1.1 决策树 | 第40-41页 |
| 4.1.2 随机森林 | 第41-42页 |
| 4.2 基于池化SIFT的随机森林(SPRF) | 第42-45页 |
| 4.2.1 SPRF分类器概述 | 第42页 |
| 4.2.2 SPRF框架 | 第42-43页 |
| 4.2.3 图像空间抽样 | 第43-44页 |
| 4.2.4 节点特征空间分割 | 第44-45页 |
| 4.3 SPRF分类参数优化 | 第45-51页 |
| 4.3.1 SPRF泛化误差讨论 | 第45页 |
| 4.3.2 SPRF决策树数量(TN) | 第45-46页 |
| 4.3.3 最大决策树深度(MTD) | 第46-47页 |
| 4.3.4 最小节点样本阈值(MEN) | 第47-48页 |
| 4.3.5 图像抽样概率(IP) | 第48-49页 |
| 4.3.6 图像空间最小抽样尺度(MRS) | 第49-50页 |
| 4.3.7 决策树节点样本数(SN) | 第50-51页 |
| 4.3.8 优化结果分析 | 第51页 |
| 4.4 SPRF分类器实验结果及讨论 | 第51-54页 |
| 4.4.1 SPRF分类器分类实验 | 第51页 |
| 4.4.2 SPRF分类试验结果 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 全文回顾与总结 | 第55页 |
| 5.2 下一步工作展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读学位期间主要的研究成果 | 第62-63页 |
| 致谢 | 第63页 |