声明
致谢
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于特征提取的传统算法
1.2.2 基于深度学习的细粒度分类模型
1.3 论文主要工作
1.4 论文组织架构
1.5 本章小结
2 相关理论与技术
2.1 卷积神经网络
2.2 经典双线性卷积神经网络
2.2.1 B-CNN模型
2.2.2 B-CNN模型原理
2.3 深度残差网络
2.4 注意力机制
2.5 度量学习与中心损失
2.6 评价指标
1. 准确率(Accuracy)
2. 损失率(Loss)
2.7 本章小结
3 基于 LRBP结合残差与注意力机制的细粒度图像分类模型
3.1 基础双线性 LRBP模型
3.1.1 LRBP 网络模型
3.1.2 LRBP 模型原理
3.2 基于 LRBP结合残差与注意力机制的 LBCNN-RA模型
3.2.1 LBCNN-RA 模型策略与模块设计
3.2.2 LBCNN-RA 模型设计
3.3 实验结果与分析
3.3.1 数据集
3.3.2 实验内容
3.3.3 实验结果与分析
3.4 本章小结
4 基于 LBCNN-RA引入双尺度融合的细粒度图像分类模型
4.1 基础双线性 LBCNN-RA模型
4.2 基于 LBCNN-RA引入双尺度融合的 RALBCNN-DS模型
4.2.1 RALBCNN-DS 模型策略网络设计
4.2.2 RALBCNN-DS 模型设计
4.3 实验结果与分析
4.3.1 数据集及预处理
4.3.2 实验内容
4.3.3 实验与结果分析
4.4 本章小结
5 总结与展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性 声明
学位论文数据集
北京交通大学;