| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 大规模图像分类 | 第14页 |
| 1.2.2 细粒度图像分类 | 第14-15页 |
| 1.3 目前存在的主要问题 | 第15页 |
| 1.4 主要研究内容 | 第15-16页 |
| 1.5 论文组织结构 | 第16-18页 |
| 2 相关技术理论及工作 | 第18-38页 |
| 2.1 常见分类方法 | 第18-22页 |
| 2.1.1 浅层分类方法 | 第18-20页 |
| 2.1.2 深度分类方法 | 第20-22页 |
| 2.2 卷积神经网络理论基础 | 第22-31页 |
| 2.2.1 神经网络的发展 | 第23-24页 |
| 2.2.2 卷积神经网络的理论基础 | 第24-31页 |
| 2.3 典型的卷积神经网络分类模型 | 第31-33页 |
| 2.3.1 AlexNet | 第31-32页 |
| 2.3.2 VGG | 第32-33页 |
| 2.4 层次分类 | 第33-34页 |
| 2.5 多任务学习 | 第34-36页 |
| 2.5.1 多任务学习基本概念 | 第34-35页 |
| 2.5.2 多任务深度学习及应用 | 第35-36页 |
| 2.6 分类性能的评估指标和方法 | 第36-37页 |
| 2.7 本章小结 | 第37-38页 |
| 3 基于显著性卷积神经网络和多类回归的商品图像分类 | 第38-50页 |
| 3.1 问题定义及研究动机 | 第38-39页 |
| 3.2 基于显著性卷积神经网络和多类回归的商品图像分类方法 | 第39-43页 |
| 3.2.1 空间显著性区域学习 | 第39-41页 |
| 3.2.2 卷积神经网络搭建 | 第41页 |
| 3.2.3 多类回归 | 第41-43页 |
| 3.3 实验部分 | 第43-49页 |
| 3.3.1 数据集介绍及预处理 | 第44-45页 |
| 3.3.2 特征与模型比较 | 第45-46页 |
| 3.3.3 ssCNN-MCR结果 | 第46-49页 |
| 3.4 本章小结 | 第49-50页 |
| 4 基于多任务学习的端到端商品图像分类 | 第50-60页 |
| 4.1 研究动机 | 第50页 |
| 4.2 多任务学习模型 | 第50-53页 |
| 4.2.1 模型结构设计 | 第50-51页 |
| 4.2.2 损失函数 | 第51-53页 |
| 4.3 实验设计及结果分析 | 第53-59页 |
| 4.3.1 比较方法介绍 | 第53-54页 |
| 4.3.2 训练细节介绍 | 第54页 |
| 4.3.3 结果与分析 | 第54-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 基于深度分类模型的商品图像类别纠错 | 第60-69页 |
| 5.1 研究动机及问题定义 | 第60页 |
| 5.2 标注平台 | 第60-62页 |
| 5.3 纠错模型构建 | 第62-64页 |
| 5.3.1 基于深度分类模型概率分布的熵纠错 | 第63页 |
| 5.3.2 基于加权熵的类别纠错 | 第63-64页 |
| 5.3.3 融入预设类别关系的熵纠错 | 第64页 |
| 5.4 评价指标 | 第64-66页 |
| 5.5 实验设计与结果分析 | 第66-68页 |
| 5.6 本章小结 | 第68-69页 |
| 6 结论与展望 | 第69-71页 |
| 6.1 研究工作总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 学位论文数据集 | 第79页 |