基于深度神经网络的场景分类方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 场景分类研究背景和意义 | 第8-10页 |
| 1.2 场景分类国内外研究现状 | 第10-16页 |
| 1.2.1 图像特征层次化描述 | 第11-13页 |
| 1.2.2 场景分类的一般方法 | 第13-15页 |
| 1.2.3 场景分类的一般模型 | 第15-16页 |
| 1.3 研究内容和创新点 | 第16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第2章 HOG特征和机器学习理论 | 第18-28页 |
| 2.1 方向梯度直方图(HOG)特征描述 | 第18-20页 |
| 2.1.1 Gamma和颜色归一化 | 第18页 |
| 2.1.2 计算梯度和方向 | 第18-19页 |
| 2.1.3 在每个cells内构建梯度直方图 | 第19-20页 |
| 2.1.4 块内归一化梯度直方图 | 第20页 |
| 2.2 神经网络理论 | 第20-24页 |
| 2.2.1 神经网络模型 | 第21-22页 |
| 2.2.2 反向传播算法 | 第22-24页 |
| 2.3 支持向量机理论 | 第24-27页 |
| 2.3.1 分类理论 | 第25-26页 |
| 2.3.2 核函数 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于深度自编码网络由粗到精的场景分类 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 相关工作 | 第28-30页 |
| 3.3 本章由粗到精的分类方法 | 第30-35页 |
| 3.3.1 粗分类训练 | 第31-34页 |
| 3.3.2 细分类 | 第34-35页 |
| 3.4 实验数据和结果 | 第35-36页 |
| 3.4.1 实验参数设置 | 第35页 |
| 3.4.2 实验环境和结果 | 第35-36页 |
| 3.4.3 实验结果分析 | 第36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 基于新型标签机制卷积神经网络的场景分类 | 第38-48页 |
| 4.1 引言 | 第38-39页 |
| 4.2 相关工作 | 第39-40页 |
| 4.3 经典卷积神经网络结构 | 第40-41页 |
| 4.3.1 卷积层 | 第41页 |
| 4.3.2 采样层 | 第41页 |
| 4.4 本章网络结构和标签 | 第41-43页 |
| 4.4.1 本章卷积层和采样层 | 第42页 |
| 4.4.2 本章分类层和标签 | 第42-43页 |
| 4.5 实验和结果 | 第43-47页 |
| 4.5.1 数据集的选取和处理 | 第43-44页 |
| 4.5.2 实验设计 | 第44页 |
| 4.5.3 实验结果 | 第44-46页 |
| 4.5.4 结果分析 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 本文工作总结 | 第48-49页 |
| 5.2 今后研究方向 | 第49-50页 |
| 参考文献 | 第50-56页 |
| 攻读硕士期间发表的论文和参加科研情况 | 第56-57页 |
| 致谢 | 第57-58页 |
