基于决策树的目标检测研究与应用
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 目标检测的研究现状 | 第8-9页 |
| 1.3 目标检测的难点 | 第9-10页 |
| 1.4 论文的组织结构 | 第10-12页 |
| 第二章 目标检测及决策树算法基本理论 | 第12-24页 |
| 2.1 目标检测基础 | 第12-15页 |
| 2.1.1 特征提取 | 第12-14页 |
| 2.1.2 NPD特征 | 第14页 |
| 2.1.3 分类算法 | 第14-15页 |
| 2.2 决策树学习 | 第15-16页 |
| 2.2.1 ID3算法 | 第16页 |
| 2.2.2 C4.5算法 | 第16页 |
| 2.2.3 CART算法 | 第16页 |
| 2.3 深度决策树 | 第16-17页 |
| 2.4 决策树级联算法 | 第17-23页 |
| 2.4.1 Gentle Adboost算法 | 第18-20页 |
| 2.4.2 Soft Cascade算法 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于代价敏感深度决策树的目标检测 | 第24-36页 |
| 3.1 代价敏感深度决策树 | 第24-28页 |
| 3.1.1 代价敏感算法理论 | 第24-25页 |
| 3.1.2 代价敏感深度决策树算法提出 | 第25-27页 |
| 3.1.3 基于代价敏感深度决策树的分类器设计 | 第27-28页 |
| 3.2 实验分析 | 第28-32页 |
| 3.2.1 训练样本的创建 | 第28-29页 |
| 3.2.2 基于FDDB数据集的性能评价 | 第29-32页 |
| 3.3 公交车环境应用 | 第32-35页 |
| 3.3.1 人脸检测 | 第32-33页 |
| 3.3.2 人头检测 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 结合特征预选择的深度决策树目标检测 | 第36-49页 |
| 4.1 特征选择算法基本理论 | 第36-37页 |
| 4.2 最大相关最小冗余特征选择算法 | 第37-42页 |
| 4.2.1 最大化依赖 | 第38-39页 |
| 4.2.2 最大相关和最小冗余 | 第39页 |
| 4.2.3 优化的一阶增量选择 | 第39-42页 |
| 4.3 面向深度决策树的MRMR特征选择 | 第42-43页 |
| 4.3.1 互信息计算 | 第42-43页 |
| 4.3.2 评价方式 | 第43页 |
| 4.3.3 NPD特征搜索策略 | 第43页 |
| 4.4 实验分析 | 第43-48页 |
| 4.4.1 选择优秀特征子集 | 第44-46页 |
| 4.4.2 实验结果 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 发表论文和科研情况说明 | 第55-56页 |
| 致谢 | 第56页 |
