基于层次方法的图像特征提取模型分析与研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 聚类算法的研究现状 | 第13-15页 |
| 1.2.2 图像识别与分类的研究现状 | 第15-17页 |
| 1.3 本文主要工作 | 第17页 |
| 1.4 论文结构 | 第17-20页 |
| 第2章 图像特征提取技术的相关概念 | 第20-34页 |
| 2.1 图像特征的概念 | 第20-21页 |
| 2.1.1 图像的全局特征 | 第20-21页 |
| 2.1.2 图像的局部特征 | 第21页 |
| 2.2 视觉词包模型 | 第21-23页 |
| 2.2.1 局部特征提取 | 第22页 |
| 2.2.2 码书的生成 | 第22-23页 |
| 2.2.3 直方图的构建 | 第23页 |
| 2.3 人工神经网络简介 | 第23-25页 |
| 2.3.1 人工神经网络 | 第23-24页 |
| 2.3.2 误差逆传播算法 | 第24-25页 |
| 2.4 深度学习思想与常见模型 | 第25-30页 |
| 2.4.1 深度学习思想 | 第25-26页 |
| 2.4.2 受限波尔兹曼机 | 第26-28页 |
| 2.4.3 卷积神经网络 | 第28-29页 |
| 2.4.4 深度学习小结 | 第29-30页 |
| 2.5 常见分类效果评估指标 | 第30-31页 |
| 2.6 本章小结 | 第31-34页 |
| 第3章 基于聚类算法的图像特征提取 | 第34-46页 |
| 3.1 聚类分析 | 第34-36页 |
| 3.1.1 聚类任务的定义 | 第34页 |
| 3.1.2 聚类任务的类别 | 第34-35页 |
| 3.1.3 聚类算法的基础流程 | 第35页 |
| 3.1.4 距离度量 | 第35-36页 |
| 3.2 K均值算法 | 第36-38页 |
| 3.2.1 K均值算法的学习过程 | 第36页 |
| 3.2.2 K均值算法分析 | 第36-38页 |
| 3.3 球面K均值算法 | 第38-40页 |
| 3.3.1 球面K均值算法的训练过程 | 第38-39页 |
| 3.3.2 在线球面K均值算法 | 第39-40页 |
| 3.4 基于改进聚类算法的图像特征提取模型 | 第40-44页 |
| 3.4.1 数据预处理 | 第40-41页 |
| 3.4.2 图像特征学习 | 第41-42页 |
| 3.4.3 实验数据集介绍 | 第42页 |
| 3.4.4 实验结果与分析 | 第42-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于深度学习模型的图像特征提取 | 第46-58页 |
| 4.1 基于卷积神经网络的图像特征提取 | 第46-52页 |
| 4.1.1 Alex Net模型结构 | 第46-48页 |
| 4.1.2 卷积神经网络的训练过程 | 第48-49页 |
| 4.1.3 Dropout技术 | 第49-50页 |
| 4.1.4 模型层次与参数设置 | 第50页 |
| 4.1.5 实验结果与分析 | 第50-52页 |
| 4.2 基于卷积深度置信网络的图像特征提取 | 第52-56页 |
| 4.2.1 卷积深度置信网络的定义 | 第52-53页 |
| 4.2.2 卷积深度置信网络的学习过程 | 第53-55页 |
| 4.2.3 实验与分析 | 第55-56页 |
| 4.3 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文 | 第64-66页 |
| 致谢 | 第66页 |
