基于多级卷积特征金字塔细粒度食物图片识别与移动端应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 食物图片识别存在的问题及难点 | 第14-16页 |
| 1.3.1 食物图片的特点 | 第15-16页 |
| 1.3.2 食物图片识别的难点 | 第16页 |
| 1.4 本文主要研究内容 | 第16-17页 |
| 1.5 论文结构安排 | 第17-19页 |
| 第二章 食物图片识别基本方法 | 第19-28页 |
| 2.1 基于手工设计特征的方法简介 | 第19-22页 |
| 2.1.1 颜色特征的图片识别 | 第19-20页 |
| 2.1.2 基于HOG特征的食物图片识别 | 第20-21页 |
| 2.1.3 基于特征袋模型的食物图片识别 | 第21-22页 |
| 2.2 基于深度卷积神经网络的食物图片识别与检测 | 第22-25页 |
| 2.2.1 基于深度卷积神经网络的食物图片识别 | 第22-23页 |
| 2.2.2 基于深度卷积神经网络的食物图片检测 | 第23-25页 |
| 2.2.3 网络优化 | 第25页 |
| 2.3 细粒度食物图片识别 | 第25-27页 |
| 2.4 食物识别的移动端应用与模型压缩 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 多级卷积特征金字塔模型结构设计 | 第28-41页 |
| 3.1 模型总体结构设计 | 第28-38页 |
| 3.1.1 食物特征提取网络 | 第29-31页 |
| 3.1.2 注意力区域定位网络 | 第31-37页 |
| 3.1.3 特征融合网络 | 第37-38页 |
| 3.2 模型的优化与损失函数 | 第38-39页 |
| 3.3 食物图片识别模型移动端应用的压缩与小型化 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 实验分析 | 第41-56页 |
| 4.1 实验环境及数据集 | 第41-46页 |
| 4.1.1 实验环境配置 | 第41页 |
| 4.1.2 模型训练细节 | 第41-42页 |
| 4.1.3 数据集的构建 | 第42-46页 |
| 4.2 实验分析 | 第46-54页 |
| 4.2.1 样本均衡性验证 | 第46-47页 |
| 4.2.2 本文方法与其它方法比较 | 第47-50页 |
| 4.2.3 区域定位与特征金字塔的有效性 | 第50-53页 |
| 4.2.4 损失函数的有效性 | 第53-54页 |
| 4.3 移动端应用 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读学位期间取得的研究成果 | 第64-65页 |
| 致谢 | 第65页 |
