基于部件的细粒度图像分类方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-22页 |
| 1.1 课题背景与研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 本文采用的方法介绍 | 第15-20页 |
| 1.3.1 神经网络及深度学习 | 第15-16页 |
| 1.3.2 通用图像分类模型 | 第16-18页 |
| 1.3.3 空间变换网络 | 第18-20页 |
| 1.4 本文主要研究内容 | 第20-22页 |
| 第2章 基于通用图像分类模型的改进 | 第22-30页 |
| 2.1 实验数据集及数据预处理 | 第22页 |
| 2.2 通用图像分类模型及改进 | 第22-26页 |
| 2.2.1 增加统计信息 | 第22-25页 |
| 2.2.2 不同层的特征融合 | 第25-26页 |
| 2.2.3 分类损失函数及评价标准 | 第26页 |
| 2.3 实验细节及结果分析 | 第26-29页 |
| 2.3.1 实验细节 | 第26-27页 |
| 2.3.2 结果分析 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于特征点和部件的联合检测及分类 | 第30-42页 |
| 3.1 特征点检测和部件检测 | 第30-35页 |
| 3.1.1 特征点检测 | 第30-32页 |
| 3.1.2 部件检测 | 第32-35页 |
| 3.2 特征点和部件的联合检测模型 | 第35-39页 |
| 3.2.1 模型的结构设计 | 第35-37页 |
| 3.2.2 对比与分析 | 第37-39页 |
| 3.3 部件分类 | 第39-41页 |
| 3.3.1 基于人工标注的部件分类 | 第39页 |
| 3.3.2 基于检测的部件分类 | 第39-41页 |
| 3.3.3 对比与分析 | 第41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于部件检测的分类模型及系统 | 第42-55页 |
| 4.1 全局信息和局部信息的联合训练 | 第42-44页 |
| 4.2 模型的改进 | 第44-51页 |
| 4.2.1 分类过程中动态调整定位区域 | 第44-46页 |
| 4.2.2 增加部件的数量 | 第46-48页 |
| 4.2.3 使用不同的网络模型联合训练 | 第48-49页 |
| 4.2.4 对比与分析 | 第49-51页 |
| 4.3 基于部件检测的细粒度图像分类系统 | 第51-54页 |
| 4.3.1 系统的模块设计及应用场景 | 第51页 |
| 4.3.2 系统的操作流程 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-64页 |
| 致谢 | 第64-65页 |
