Spark环境下场景图像的分类研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 课题背景及研究意义 | 第7-8页 |
| 1.2 国内外研究现状分析 | 第8-12页 |
| 1.2.1 场景图像分类的研究现状 | 第8-9页 |
| 1.2.2 随机森林算法研究现状 | 第9-11页 |
| 1.2.3 Spark环境下图像分类研究现状 | 第11-12页 |
| 1.3 场景图像分类发展趋势分析 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 场景图像预处理与相关理论介绍 | 第15-29页 |
| 2.1 图像特征提取理论与算法 | 第15-17页 |
| 2.1.1 词袋模型 | 第15-17页 |
| 2.1.2 空间金字塔模型 | 第17页 |
| 2.2 图像特征聚类算法 | 第17-23页 |
| 2.2.1 聚类算法指标 | 第18-19页 |
| 2.2.2 聚类算法简介 | 第19-23页 |
| 2.3 Spark并行计算框架 | 第23-27页 |
| 2.3.1 Spark生态系统简介 | 第23-24页 |
| 2.3.2 弹性分布式数据集 | 第24-26页 |
| 2.3.3 Spark运行模式 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 3 随机森林分类性能与效率研究 | 第29-39页 |
| 3.1 决策树算法介绍 | 第29-32页 |
| 3.1.1 决策树理论简介 | 第29页 |
| 3.1.2 属性选择 | 第29-30页 |
| 3.1.3 决策树算法基础之ID3与CART | 第30-31页 |
| 3.1.4 剪枝处理 | 第31-32页 |
| 3.2 随机森林算法 | 第32-36页 |
| 3.2.1 集成学习方法 | 第32-34页 |
| 3.2.2 Boosting与Bagging | 第34-35页 |
| 3.2.3 随机森林算法 | 第35-36页 |
| 3.3 性能指标 | 第36-38页 |
| 3.3.1 投票法 | 第36-37页 |
| 3.3.2 分类算法性能指标 | 第37-38页 |
| 3.3.3 OOB估计与泛化误差 | 第38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 随机森林算法的改进与并行实现 | 第39-47页 |
| 4.1 改进随机森林算法 | 第39-42页 |
| 4.1.1 算法优缺点 | 第39-40页 |
| 4.1.2 改进思想 | 第40页 |
| 4.1.3 随机森林改进方法 | 第40-42页 |
| 4.2 改进算法实验流程 | 第42-45页 |
| 4.2.1 算法过程设计 | 第42-43页 |
| 4.2.2 实验环境介绍 | 第43-45页 |
| 4.3 改进算法的并行实现 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 实验结果与分析 | 第47-55页 |
| 5.1 图像特征聚类算法验证 | 第47-49页 |
| 5.1.1 空间金字塔模型验证 | 第47-48页 |
| 5.1.2 K-means算法聚类结果 | 第48-49页 |
| 5.2 随机森林算法对比实验 | 第49-53页 |
| 5.2.1 随机森林分类性能影响因素分析 | 第49-50页 |
| 5.2.2 改进随机森林算法实验 | 第50-53页 |
| 5.3 单机与分布式结果对比 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文 | 第63页 |
