| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 精细图像分类的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 传统图像分类的研究现状 | 第10-11页 |
| 1.2.2 精细图像分类的研究现状 | 第11-13页 |
| 1.3 文章框架 | 第13-15页 |
| 第2章 底层特征提取 | 第15-31页 |
| 2.1 SIFT特征提取 | 第15-23页 |
| 2.1.1 SIFT算法具体实现 | 第15-23页 |
| 2.1.2 SIFT算法的特点 | 第23页 |
| 2.2 HOG特征 | 第23-30页 |
| 2.2.1 36 维HOG特征提取算法的实现 | 第23-27页 |
| 2.2.2 HOG特征的降维 | 第27-30页 |
| 2.2.3 HOG特征优缺点 | 第30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 中层特征描述 | 第31-40页 |
| 3.1 BOW（BAG OF WORD）模型 | 第31-34页 |
| 3.2 EMK（EFFICIENT MATCH KERNEL） | 第34-37页 |
| 3.2.1 核函数框架 | 第34-35页 |
| 3.2.2 用核函数的方法重新审视BoW | 第35-36页 |
| 3.2.3 EMK的实现过程 | 第36-37页 |
| 3.3 空间金字塔 | 第37-39页 |
| 3.3.1 空间匹配过程 | 第37-38页 |
| 3.3.2 金字塔匹配核函数 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 分类器 | 第40-57页 |
| 4.1 支持向量机（SVM） | 第40-48页 |
| 4.1.1 线性支持向量机 | 第40-44页 |
| 4.1.2 非线性支持向量机 | 第44-48页 |
| 4.2 随机森林（RANDOM FORESTS，RF） | 第48-55页 |
| 4.2.1 决策树算法 | 第48-50页 |
| 4.2.2 随机森林的准确度分析 | 第50-53页 |
| 4.2.3 随机森林的构建方法 | 第53-55页 |
| 4.3 本章小结 | 第55-57页 |
| 第5章 实验分析 | 第57-66页 |
| 5.1 数据库介绍 | 第57页 |
| 5.2 基于CUB-200 数据库的实验分析 | 第57-62页 |
| 5.2.1 基于底层特征SIFT算法的实验结果 | 第58-60页 |
| 5.2.2 基于底层特征HOG特征算法的实验结果 | 第60-62页 |
| 5.3 基于STANFORD_DOGS_DATASET数据库的实验分析 | 第62-64页 |
| 5.3.1 基于底层特征SIFT算法的实验结果 | 第62-63页 |
| 5.3.2 基于底层特征HOG特征算法的实验结果 | 第63-64页 |
| 5.4 实验结果总结 | 第64-65页 |
| 5.5 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-75页 |
| 致谢 | 第75页 |
