| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 目的和意义 | 第11页 |
| 1.2 国内外研究现状及发展 | 第11-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 1.4 论文的组织 | 第14-15页 |
| 第2章 基础知识理论介绍 | 第15-33页 |
| 2.1 引言 | 第15页 |
| 2.2 图像分类中常用手工特征综述 | 第15-23页 |
| 2.2.1 SIFT特征 | 第16-18页 |
| 2.2.2 HOG特征 | 第18-20页 |
| 2.2.3 LBP特征 | 第20-21页 |
| 2.2.4 Gabor特征 | 第21-23页 |
| 2.3 图像分类中常用深度特征综述 | 第23-29页 |
| 2.3.1 AlexNet深度特征 | 第23-25页 |
| 2.3.2 VGG深度特征 | 第25页 |
| 2.3.3 GoogLeNet深度特征 | 第25-26页 |
| 2.3.4 ResNet深度特征 | 第26-28页 |
| 2.3.5 提取深度特征的模型比较 | 第28-29页 |
| 2.4 物体分类模型综述 | 第29-31页 |
| 2.4.1 基于手工特征的物体分类 | 第29-30页 |
| 2.4.2 基于深度特征的物体分类 | 第30-31页 |
| 2.4.3 细粒度物体分类综述 | 第31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 基于多通道深度特征和主成分分析的图像分类技术 | 第33-44页 |
| 3.1 引言 | 第33-34页 |
| 3.2 基于多通道深度特征和主成分分析的图像分类框架 | 第34-38页 |
| 3.2.1 从每个图像的RGB通道和灰度通道提取深度特征 | 第34-36页 |
| 3.2.2 利用PCA进行降维 | 第36-38页 |
| 3.2.3 通过SVM进行图像分类 | 第38页 |
| 3.3 实验分析及比较 | 第38-43页 |
| 3.3.1 实验设置 | 第38-39页 |
| 3.3.2 实验结果比较 | 第39-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于卷积神经网络的细粒度图像分类方法 | 第44-55页 |
| 4.1 引言 | 第44页 |
| 4.2 基于卷积神经网络的细粒度图像分类方法 | 第44-47页 |
| 4.2.1 卷积神经网络的结构 | 第44-46页 |
| 4.2.2 基于CNN的细粒度图像分类的一般方法 | 第46-47页 |
| 4.3 实验分析及比较 | 第47-54页 |
| 4.3.1 实验设置 | 第47-50页 |
| 4.3.2 实验结果比较 | 第50-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 总结和展望 | 第55-57页 |
| 5.1 工作总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 附录 | 第64页 |
