| 摘要 | 第1-17页 |
| Abstract | 第17-19页 |
| 第一章 绪论 | 第19-31页 |
| ·课题背景及研究意义 | 第19-21页 |
| ·图像分类识别的研究内容 | 第21-24页 |
| ·图像分类识别面临的主要挑战 | 第24-28页 |
| ·论文主要工作及组织结构 | 第28-31页 |
| 第二章 相关技术研究现状 | 第31-57页 |
| ·局部特征检测方法 | 第31-41页 |
| ·角点检测 | 第32-35页 |
| ·斑点检测 | 第35-38页 |
| ·区域检测 | 第38-41页 |
| ·稠密采样 | 第41页 |
| ·局部特征描述方法 | 第41-47页 |
| ·基于分布的描述子 | 第42-46页 |
| ·基于空间-频率的描述子 | 第46页 |
| ·基于微分的描述子 | 第46-47页 |
| ·场景识别方法 | 第47-51页 |
| ·低层建模方法 | 第47-48页 |
| ·语义建模方法 | 第48-51页 |
| ·目标识别方法 | 第51-53页 |
| ·显著性目标检测方法 | 第53-56页 |
| ·自底向上的计算模型 | 第54-55页 |
| ·自顶向下的计算模型 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第三章 图像局部特征描述方法 | 第57-91页 |
| ·引言 | 第57-59页 |
| ·GBPWHGO 描述子 | 第59-66页 |
| ·GBP 描述子 | 第60-62页 |
| ·WHGO 描述子 | 第62-65页 |
| ·GBPWHGO 描述子及彩色图像的 GBPWHGO 描述子 | 第65-66页 |
| ·GLID 描述子 | 第66-78页 |
| ·局部不变特征选择 | 第66-73页 |
| ·主方向计算 | 第73-75页 |
| ·局部不变特征描述向量计算 | 第75-78页 |
| ·GLID 描述子的图像匹配实验 | 第78-90页 |
| ·实验设置 | 第79-82页 |
| ·牛津建筑数据库的实验结果 | 第82-89页 |
| ·切片数据库的实验结果 | 第89-90页 |
| ·实验小结 | 第90页 |
| ·本章小结 | 第90-91页 |
| 第四章 基于低层特征建模的自然场景识别 | 第91-121页 |
| ·引言 | 第91-94页 |
| ·人类认知自然场景的相关机制 | 第94-100页 |
| ·自然场景的快速识别 | 第94-97页 |
| ·快速自然场景识别几乎不需注意机制的参与 | 第97-100页 |
| ·基于多分辨率低层特征融合的自然场景识别方法 | 第100-104页 |
| ·概述 | 第100-101页 |
| ·特征提取 | 第101-102页 |
| ·特征融合及 SVM 分类 | 第102-104页 |
| ·自然场景识别实验 | 第104-116页 |
| ·实验设置 | 第105-106页 |
| ·OT、FP 和 LS 数据库上的实验结果 | 第106-113页 |
| ·IS 数据库上的实验结果 | 第113-115页 |
| ·SE 数据库上的实验结果 | 第115-116页 |
| ·颜色信息对识别性能的影响 | 第116页 |
| ·与此前自然场景识别方法的比较 | 第116-120页 |
| ·与“特征袋”方法的比较 | 第116-119页 |
| ·与此前方法的场景分类性能比较 | 第119-120页 |
| ·本章小结 | 第120-121页 |
| 第五章 基于局部特征的图像分类识别 | 第121-165页 |
| ·引言 | 第121-122页 |
| ·“特征袋”及“空间金字塔匹配”方法简介 | 第122-126页 |
| ·“特征袋”方法 | 第122-125页 |
| ·“空间金字塔匹配”方法 | 第125-126页 |
| ·多分辨率多尺度“特征袋‖方法 | 第126-130页 |
| ·概述 | 第127页 |
| ·局部特征提取及码本构造 | 第127-128页 |
| ·多尺度图像划分及图像表示 | 第128-129页 |
| ·SVM 分类器及特征综合 | 第129-130页 |
| ·自然场景识别实验 | 第130-142页 |
| ·实验设置 | 第130-131页 |
| ·OT、FP 和 LS 数据库上的实验结果 | 第131-137页 |
| ·IS 数据库上的实验结果 | 第137-138页 |
| ·SE 数据库上的实验结果 | 第138页 |
| ·CLEF 数据库结果 | 第138-141页 |
| ·与此前自然场景识别方法的比较 | 第141-142页 |
| ·目标识别实验 | 第142-154页 |
| ·实验设置 | 第143-145页 |
| ·Oxford Flowers 数据库的实验结果 | 第145-149页 |
| ·CalTech6 数据库的实验结果 | 第149-151页 |
| ·VOC2010 数据库结果 | 第151-154页 |
| ·纹理识别实验 | 第154-159页 |
| ·实验设置 | 第154-155页 |
| ·UIUCTex 数据库的实验结果 | 第155-158页 |
| ·CUReT 数据库的实验结果 | 第158-159页 |
| ·行为识别实验 | 第159-163页 |
| ·VOC2010、VOC2011 行为识别数据库 | 第160-162页 |
| ·VOC2010 行为识别竞赛结果 | 第162页 |
| ·VOC2011 行为识别竞赛结果 | 第162-163页 |
| ·本章小结 | 第163-165页 |
| 第六章 显著性目标检测 | 第165-179页 |
| ·引言 | 第165-166页 |
| ·基于全局颜色对比度的显著性目标检测 | 第166-170页 |
| ·概述 | 第167-168页 |
| ·全局颜色对比度计算 | 第168-169页 |
| ·显著性图计算 | 第169-170页 |
| ·显著性目标检测实验 | 第170-178页 |
| ·实验数据 | 第172-173页 |
| ·Achanta 数据库实验结果 | 第173-175页 |
| ·MSRA SOD 数据库实验结果 | 第175页 |
| ·SIVAL 数据库实验结果 | 第175-178页 |
| ·PASCAL VOC2011 数据库实验结果 | 第178页 |
| ·参数设置的影响 | 第178页 |
| ·本章小结 | 第178-179页 |
| 第七章 结论与展望 | 第179-183页 |
| ·论文主要工作总结 | 第179-180页 |
| ·后续研究展望 | 第180-183页 |
| 附录 A ImageCLEF-Robot Vision Task 国际竞赛简介 | 第183-187页 |
| A.1 概述 | 第183-184页 |
| A.2 竞赛的举办方 | 第184-185页 |
| A.3 本组参加 ImageCLEF-Robot Vision Task 竞赛结果 | 第185-187页 |
| 附录 B PASCAL VOC 国际竞赛简介 | 第187-193页 |
| B.1 概述 | 第187-188页 |
| B.2 PASCAL VOC2010、2011 年度竞赛 | 第188-190页 |
| B.2.1 竞赛项目介绍 | 第188-190页 |
| B.2.2 竞赛组织者 | 第190页 |
| B.3 本组参加 PASCAL VOC 2010、2011 年度竞赛结果 | 第190-193页 |
| B.3.1 2010 年竞赛结果 | 第190-191页 |
| B.3.2 2011 年竞赛结果 | 第191-193页 |
| 致谢 | 第193-195页 |
| 参考文献 | 第195-217页 |
| 作者在学期间取得的学术成果 | 第217页 |
| 作者在学期间取得的竞赛成绩 | 第217-218页 |
| 作者在学期间参与的主要科研项目 | 第218页 |
