| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 本文的研究背景 | 第15-16页 |
| 1.2 分类方法概述 | 第16-17页 |
| 1.3 图像分类的研究意义 | 第17页 |
| 1.4 国内外研究现状及面临问题 | 第17-19页 |
| 1.5 本文的研究内容及章节安排 | 第19-21页 |
| 第二章 相关理论介绍 | 第21-35页 |
| 2.1 卷积神经网络 | 第21-24页 |
| 2.1.1 卷积层 | 第21-23页 |
| 2.1.2 池化层 | 第23页 |
| 2.1.3 激活函数 | 第23页 |
| 2.1.4 损失函数 | 第23-24页 |
| 2.2 卷积神经网络的训练过程 | 第24-26页 |
| 2.3 稀疏编码 | 第26-28页 |
| 2.3.1 矢量量化编码 | 第26-27页 |
| 2.3.2 稀疏编码 | 第27页 |
| 2.3.3 局部线性约束编码 | 第27-28页 |
| 2.4 SVM分类器 | 第28-30页 |
| 2.5 集成学习 | 第30-33页 |
| 2.5.1 平均法 | 第31页 |
| 2.5.2 投票法 | 第31-32页 |
| 2.5.3 学习法 | 第32-33页 |
| 2.6 深度学习框架TensorFlow | 第33-35页 |
| 2.6.1 TensorFlow计算模型 | 第33页 |
| 2.6.2 Tensorflow数据模型 | 第33页 |
| 2.6.3 Tensorflow运行模型 | 第33-35页 |
| 第三章 基于深度网络和稀疏Fisher矢量的图像分类 | 第35-49页 |
| 3.1 引言 | 第35页 |
| 3.2 Fisher矢量编码 | 第35-36页 |
| 3.3 Fisher矢量的稀疏表示 | 第36-37页 |
| 3.4 稀疏Fisher矢量的图像分类 | 第37-44页 |
| 3.4.1 基于图像传统特征的稀疏Fisher矢量分类 | 第37-40页 |
| 3.4.2 基于图像卷积特征的稀疏Fisher矢量分类 | 第40-44页 |
| 3.5 实验结果与分析 | 第44-47页 |
| 3.5.1 实验硬件环境 | 第44页 |
| 3.5.2 实验内容与分析 | 第44-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第四章 基于深度网络集成优化学习的图像分类 | 第49-61页 |
| 4.1 引言 | 第49页 |
| 4.2 网络的优化算法 | 第49-50页 |
| 4.2.1 梯度下降法 | 第49-50页 |
| 4.2.2 学习率 | 第50页 |
| 4.2.3 正则化 | 第50页 |
| 4.2.4 滑动平均 | 第50页 |
| 4.3 网络的设计模型 | 第50-52页 |
| 4.4 集成优化的模型 | 第52-53页 |
| 4.5 基于迁移学习的集成优化模型 | 第53-56页 |
| 4.6 实验结果与分析 | 第56-58页 |
| 4.6.1 实验仿真环境 | 第56页 |
| 4.6.2 实验内容与分析 | 第56-58页 |
| 4.7 本章小结 | 第58-61页 |
| 第五章 基于度量学习与多模型融合的图像分类 | 第61-77页 |
| 5.1 引言 | 第61-62页 |
| 5.2 目标检测 | 第62-63页 |
| 5.3 基于改进的Siamese结构的深度网络 | 第63-66页 |
| 5.3.1 Siamese结构 | 第63-65页 |
| 5.3.2 改进的Siamese结构 | 第65-66页 |
| 5.4 多模型融合 | 第66-68页 |
| 5.4.1 Xception网络 | 第66-67页 |
| 5.4.2 DenseNet网络 | 第67-68页 |
| 5.5 模型融合的结构 | 第68-69页 |
| 5.6 基于迁移学习的多模型融合 | 第69-71页 |
| 5.6.1 图像的预处理 | 第69页 |
| 5.6.2 迁移学习 | 第69-71页 |
| 5.7 实验结果与分析 | 第71-75页 |
| 5.7.1 实验仿真环境 | 第71页 |
| 5.7.2 实验内容与分析 | 第71-75页 |
| 5.8 本章小结 | 第75-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77-78页 |
| 6.2 工作展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |
