基于卷积神经网络和集成学习的材质识别和分割方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 论文的主要工作和研究内容 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 2 材质识别相关理论介绍 | 第18-34页 |
| 2.1 材质识别算法流程 | 第18-19页 |
| 2.2 材质识别数据库 | 第19-21页 |
| 2.3 材质识别特征分析 | 第21-23页 |
| 2.3.1 颜色特征 | 第21-22页 |
| 2.3.2 纹理特征 | 第22页 |
| 2.3.3 形状特征 | 第22-23页 |
| 2.4 材质识别算法介绍 | 第23-30页 |
| 2.4.1 支持向量机算法 | 第23-25页 |
| 2.4.2 随机森林算法 | 第25-28页 |
| 2.4.3 极限学习机算法 | 第28-30页 |
| 2.5 集成学习相关理论介绍 | 第30-33页 |
| 2.5.1 Bagging算法 | 第30-31页 |
| 2.5.2 Boosting算法 | 第31-32页 |
| 2.5.3 Stacking算法 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 基于卷积神经网络和集成学习的材质识别算法 | 第34-54页 |
| 3.1 算法提出的动机 | 第34页 |
| 3.2 算法流程 | 第34-35页 |
| 3.3 卷积神经网络基础理论知识 | 第35-37页 |
| 3.4 基础模型分类器训练 | 第37-44页 |
| 3.4.1 支持向量机算法 | 第38-41页 |
| 3.4.2 随机森林算法 | 第41-43页 |
| 3.4.3 极限学习机算法 | 第43-44页 |
| 3.4.4 袋装决策树算法 | 第44页 |
| 3.5 分类器集成算法 | 第44-46页 |
| 3.6 实验设置和结果分析 | 第46-50页 |
| 3.6.1 实验设置 | 第47页 |
| 3.6.2 实验结果分析 | 第47-50页 |
| 3.7 算法实验结果对比 | 第50-53页 |
| 3.8 本章小结 | 第53-54页 |
| 4 基于改进CNN和条件随机场的材质分割算法 | 第54-63页 |
| 4.1 图像语义分割主流算法介绍 | 第54页 |
| 4.2 全卷积神经网络 | 第54-56页 |
| 4.3 条件随机场 | 第56-58页 |
| 4.4 基于改进CNN和条件随机场的材质分割算法 | 第58-59页 |
| 4.5 实验设置与结果分析 | 第59-62页 |
| 4.5.1 实验设置 | 第59页 |
| 4.5.2 实验结果分析 | 第59-62页 |
| 4.6 本章小结 | 第62-63页 |
| 5 材质识别和分割系统 | 第63-67页 |
| 5.1 系统功能介绍 | 第63页 |
| 5.2 系统设计介绍 | 第63-64页 |
| 5.3 部分界面 | 第64-66页 |
| 5.4 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第73-75页 |
| 学位论文数据集 | 第75页 |
