图像理解中的稀疏与低秩
摘要 | 第5-7页 |
Abstract | 第7-8页 |
目录 | 第9-12页 |
第1章 绪论 | 第12-26页 |
1.1 课题研究背景和意义 | 第12-14页 |
1.2 研究现状概述 | 第14-18页 |
1.3 本文的研究内容和创新点 | 第18-19页 |
1.4 论文结构安排 | 第19-20页 |
参考文献 | 第20-26页 |
第2章 稀疏和低秩问题概述 | 第26-48页 |
2.1 稀疏问题的定义 | 第26-27页 |
2.2 稀疏问题的求解 | 第27-39页 |
2.3 低秩问题的定义 | 第39-40页 |
2.4 低秩问题的求解 | 第40-43页 |
2.5 本章小结 | 第43-44页 |
参考文献 | 第44-48页 |
第3章 稀疏表示在BoW模型中的应用 | 第48-66页 |
3.1 引言 | 第48-49页 |
3.2 BoW(Bag-of-Words)模型 | 第49-55页 |
3.2.1 由自然语言处理到计算机视觉 | 第49-51页 |
3.2.2 计算机视觉中的BoW模型 | 第51-55页 |
3.3 依靠稀疏表示寻找重要的码字 | 第55-59页 |
3.3.1 BoW模型的问题 | 第55-57页 |
3.3.2 我们的方法 | 第57-58页 |
3.3.3 稀疏表示的意义 | 第58-59页 |
3.4 实验分析 | 第59-63页 |
3.4.1 数据库 | 第59-61页 |
3.4.2 实验设置 | 第61-62页 |
3.4.3 实验结果 | 第62-63页 |
3.5 本章小结 | 第63页 |
参考文献 | 第63-66页 |
第4章 分类问题中带有类约束的稀疏表示 | 第66-82页 |
4.1 引言 | 第66-67页 |
4.2 表示系数的约束 | 第67-70页 |
4.3 问题求解 | 第70-73页 |
4.4 实验分析 | 第73-78页 |
4.4.1 小型数据集 | 第73-74页 |
4.4.2 人脸库 | 第74-77页 |
4.4.3 手写体识别 | 第77-78页 |
4.4.4 自然图像分类 | 第78页 |
4.5 本章小结 | 第78-79页 |
参考文献 | 第79-82页 |
第5章 基于属性的分类问题中的l2,1范数 | 第82-100页 |
5.1 引言 | 第82页 |
5.2 视觉属性 | 第82-86页 |
5.2.1 视觉属性的定义 | 第82-84页 |
5.2.2 相关工作 | 第84页 |
5.2.3 研究动机 | 第84-86页 |
5.3 使用多标签学习预测属性 | 第86-88页 |
5.3.1 预测 | 第86-87页 |
5.3.2 模型的学习 | 第87-88页 |
5.4 物体类别预测中的l2,1范数 | 第88-91页 |
5.4.1 目标函数 | 第88-89页 |
5.4.2 目标函数的求解 | 第89-90页 |
5.4.3 分类 | 第90-91页 |
5.5 实验分析 | 第91-96页 |
5.5.1 数据库 | 第91-92页 |
5.5.2 实验设置 | 第92-93页 |
5.5.3 属性的预测 | 第93-95页 |
5.5.4 物体类别的预测 | 第95-96页 |
5.6 本章小结 | 第96-97页 |
参考文献 | 第97-100页 |
第6章 物体检测中的低秩 | 第100-122页 |
6.1 引言 | 第100页 |
6.2 研究动机和相关工作 | 第100-104页 |
6.2.1 研究动机 | 第100-103页 |
6.2.2 相关工作 | 第103-104页 |
6.3 鲁棒的物体联合检测 | 第104-110页 |
6.3.1 候选边界框池的产生 | 第104-105页 |
6.3.2 问题描述 | 第105-107页 |
6.3.3 系数矩阵Z的使用 | 第107-108页 |
6.3.4 模型的求解 | 第108-110页 |
6.4 实验分析 | 第110-118页 |
6.4.1 数据库 | 第110-111页 |
6.4.2 实验设置 | 第111-112页 |
6.4.3 实验结果 | 第112-118页 |
6.5 本章小结 | 第118页 |
参考文献 | 第118-122页 |
第7章 总结和展望 | 第122-124页 |
缩略语 | 第124-126页 |
致谢 | 第126-128页 |
攻读学位期间发表的学术论文目录 | 第128页 |