声明
摘要
图目录
表目录
主要符号表
1 绪论
1.1 研究背景与意义
1.2 国内外相关工作研究进展
1.2.1 传统的基于视觉词袋模型的图像分类方法
1.2.2 基于深层卷积神经网络的图像分类方法
1.2.3 深层卷积神经网络和传统方法相结合的图像分类方法
1.3 本论文的主要难点和研究内容
2 高斯流形及局部对数欧氏高斯描述子
2.1 引言
2.2 李群的相关概念
2.2.1 李群
2.2.2 矩阵群
2.2.3 GL+(1)上的对数.欧氏定理
2.3 高斯流形的李群结构与高斯嵌入
2.3.1 高斯流形的李群结构
2.3.2 两种基于李群理论的高斯分布嵌入方法
2.4 局部对数欧氏高斯描述子
2.4.1 估计局部高斯分布
2.4.2 计算嵌入矩阵及计算复杂性分析
2.5 局部对数欧氏高斯描述子在图像分娄中的应用
2.5.1 实验设置
2.5.2 不同高斯嵌入方法的比较
2.5.3 不同图像局部特征的比较
2.5.4 与经典的图像分类方法比较
2.6 本章小结
3 基于高斯分布建模的无码本模型用于图像分类
3.1 引言
3.2 基于高斯分布的无码本模型
3.2.1 高斯分布建模
3.2.2 两步法度量高斯分布之间的距离
3.2.3 带参数的两步度量法
3.2.4 高斯流形上的低秩学习
3.3 基于显著性检测的部分背景移除
3.4 无码本模型的计算复杂性分析
3.5 实验结果与分析
3.5.1 实验设置
3.5.2 方法和参数评估
3.5.3 与当前最优的方法比较
3.6 本章小结
4 鲁棒近似无穷维高斯描述子用于材料图像分类
4.1 引言
4.2 鲁棒近似无穷维高斯描述子
4.2.1 关于高斯分布的基础知识
4.2.2 近似无穷维高斯描述子
4.2.3 近似无穷维高斯描述子的鲁棒估计
4.3 鲁棒近似无穷维高斯描述子在材料图像分类任务中的应用
4.4 鲁棒近似无穷维高斯描述子的计算复杂性分析
4.5 实验结果与分析
4.5.1 方法分析与比较
4.5.2 参数和方法评估
4.5.3 协方差矩阵测度的比较
4.5.4 精细粒度图像分类
4.6 本章小结
5 全局高斯分布嵌入神经网络及其在图像分类中的应用
5.1 引言
5.2 端到端学习的全局高斯分布嵌入神经网络
5.2.1 基于李群理论的高斯嵌入用于构建全局高斯嵌入层
5.2.2 可训练的全局高斯嵌入层的构建
5.2.3 全局高斯嵌入层的反向传播
5.2.4 基于其他高斯嵌入方法的全局高斯分布嵌入神经测答莳
5.3 实验结果与分析
5.3.1 在MS—COCO上的图像区域分类
5.3.2 精细粒度图像分类
5.3.3 方法评估
5.4 本草小结
6 结论与展望
6.1 结论
6.2 创新点
6.3 展望
参考文献
附录
攻读博士学位期间科研项目及科研成果
致谢
作者简介