基于视觉特征和主题模型的自然场景分类
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-20页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 场景分类研究现状 | 第10-15页 |
| 1.2.1 基于低层特征的场景分类 | 第12-14页 |
| 1.2.2 基于中层语义分析的场景分类 | 第14-15页 |
| 1.3 研究任务与创新点 | 第15-18页 |
| 1.4 论文的主要内容与章节安排 | 第18-20页 |
| 2 场景分类总体流程和相关理论 | 第20-37页 |
| 2.1 视觉特征提取方法 | 第20-27页 |
| 2.1.1 全局特征提取方法 | 第21-22页 |
| 2.1.2 局部特征提取方法 | 第22-25页 |
| 2.1.3 空间金字塔 | 第25-27页 |
| 2.2 词包模型构建方法 | 第27-31页 |
| 2.2.1 k-means 算法 | 第28-30页 |
| 2.2.2 高斯混合模型 | 第30-31页 |
| 2.3 主题模型构建方法 | 第31-37页 |
| 2.3.1 概率潜在语义分析 | 第31-33页 |
| 2.3.2 潜在狄利克雷分配 | 第33-35页 |
| 2.3.3 SLDA 模型介绍 | 第35-37页 |
| 3 基于贝叶斯和谐度的特征选择 | 第37-48页 |
| 3.1 传统特征选择方法介绍 | 第37-38页 |
| 3.2 贝叶斯和谐度特征选择算法 | 第38-42页 |
| 3.3 UCI 实验 | 第42-43页 |
| 3.4 实验结果及分析 | 第43-47页 |
| 3.5 小结 | 第47-48页 |
| 4 基于特定类别选择的场景分类 | 第48-56页 |
| 4.1 问题描述 | 第48-49页 |
| 4.2 系统整体架构 | 第49-51页 |
| 4.2.1 类别直方图的生成过程 | 第50-51页 |
| 4.2.2 类别的融合直方图生成过程 | 第51页 |
| 4.3 实验 | 第51-55页 |
| 4.3.1 实验设置 | 第52-54页 |
| 4.3.2 实验结果和分析 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 基于多特征融合的水质图像分类 | 第56-63页 |
| 5.1 问题描述 | 第56-57页 |
| 5.2 实验过程 | 第57-60页 |
| 5.2.1 水质图像采集 | 第57-58页 |
| 5.2.2 特征融合过程 | 第58-59页 |
| 5.2.3 视觉词典生成 | 第59页 |
| 5.2.4 分类过程 | 第59-60页 |
| 5.3 实验及分析 | 第60-63页 |
| 6 结论 | 第63-65页 |
| 6.1 本文工作总结 | 第63页 |
| 6.2 下一步研究方向 | 第63-65页 |
| 参考文献 | 第65-72页 |
| 在学研究成果 | 第72-73页 |
| 致谢 | 第73页 |
