|
|
|
细粒度图像分类方法研究 |
|
论文目录 |
|
摘要 | 第8-9页 | ABSTRACT | 第9页 | 第一章 绪论 | 第10-21页 | 1.1 研究背景与意义 | 第10-12页 | 1.2 国内外研究现状 | 第12-17页 | 1.2.1 传统方法 | 第12-13页 | 1.2.2 深度学习方法 | 第13-14页 | 1.2.3 深度学习中的局部区域方法 | 第14-15页 | 1.2.4 深度学习中的全图特征方法 | 第15-17页 | 1.3 主要研究内容及创新点 | 第17-18页 | 1.3.1 主要研究内容 | 第17-18页 | 1.3.2 主要创新点 | 第18页 | 1.4 论文的组织结构 | 第18-21页 | 第二章 基础卷积神经网络 | 第21-27页 | 2.1 卷积神经网络的基本原理 | 第21-24页 | 2.1.1 多层感知器的基本结构 | 第21-22页 | 2.1.2 常用功能层 | 第22-23页 | 2.1.3 典型卷积神经网络模型 | 第23-24页 | 2.2 卷积神经网络的训练方法 | 第24-27页 | 2.2.1 数据预处理 | 第24-25页 | 2.2.2 模型训练 | 第25-27页 | 第三章 基于自适应机制的细粒度分类 | 第27-45页 | 3.1 方法概述 | 第27-28页 | 3.2 整体框架 | 第28-29页 | 3.3 局部特征提取器 | 第29-31页 | 3.4 两级分类网络 | 第31-37页 | 3.4.1 局部级损失函数 | 第31-35页 | 3.4.2 整体级损失函数 | 第35-36页 | 3.4.3 两级损失函数 | 第36-37页 | 3.5 实验及结果分析 | 第37-45页 | 3.5.1 数据集介绍及评价指标 | 第37-38页 | 3.5.2 模型参数设置及训练 | 第38页 | 3.5.3 分类结果及分析 | 第38-41页 | 3.5.4 两级分类网络对模型的影响分析 | 第41-42页 | 3.5.5 关键参数分析 | 第42-43页 | 3.5.6 定性与可视化分析 | 第43-45页 | 第四章 基于高斯混合模型的细粒度分类 | 第45-59页 | 4.1 方法概述 | 第45-46页 | 4.2 整体框架 | 第46页 | 4.3 高斯混合层 | 第46-50页 | 4.3.1 高斯混合层的定义 | 第46-48页 | 4.3.2 协同训练方法 | 第48-50页 | 4.4 实验及结果分析 | 第50-59页 | 4.4.1 模型参数设置及训练 | 第50-51页 | 4.4.2 分类结果及分析 | 第51-54页 | 4.4.3 高斯混合层对模型的影响分析 | 第54-55页 | 4.4.4 关键参数分析 | 第55-57页 | 4.4.5 定性与可视化分析 | 第57-59页 | 第五章 总结与展望 | 第59-62页 | 5.1 主要工作总结 | 第59-60页 | 5.2 后续工作及展望 | 第60-62页 | 致谢 | 第62-63页 | 参考文献 | 第63-69页 | 作者在学期间取得的学术成果 | 第69页 |
|
|
|
|
论文编号BS4655687,这篇论文共69页 会员购买按0.35元/页下载,共需支付24.15元。 直接购买按0.5元/页下载,共需要支付34.5元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|