基于稀疏编码与机器学习的图像内容识别算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-17页 |
| ·本文的研究背景及意义 | 第10-11页 |
| ·相关研究工作 | 第11-15页 |
| ·图像特征提取研究 | 第11-14页 |
| ·图像特征融合研究 | 第14页 |
| ·特征的学习与识别 | 第14-15页 |
| ·论文的研究内容及创新 | 第15-16页 |
| ·论文的章节安排 | 第16-17页 |
| 第2章 相关理论基础 | 第17-29页 |
| ·引言 | 第17页 |
| ·尺度不变特征转换 | 第17-20页 |
| ·稀疏编码的数学描述 | 第20-22页 |
| ·分类器的研究 | 第22-25页 |
| ·支持向量机 | 第22-24页 |
| ·随机森林 | 第24-25页 |
| ·多示例学习 | 第25-28页 |
| ·经典多示例学习算法 | 第26-27页 |
| ·多示例学习的应用 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于空间稀疏编码模型的图像分类算法 | 第29-45页 |
| ·引言 | 第29页 |
| ·稀疏编码模型及其优点 | 第29-31页 |
| ·算法的整体框架 | 第31-32页 |
| ·基于空间稀疏编码模型的图像表示 | 第32-34页 |
| ·视觉词汇库生成 | 第32页 |
| ·图像的空间表示 | 第32-34页 |
| ·基于随机森林的图像特征分类 | 第34-36页 |
| ·构造随机决策树 | 第35-36页 |
| ·图像特征的分类 | 第36页 |
| ·实验结果与分析 | 第36-43页 |
| ·实验配置 | 第38页 |
| ·空间划分对准确率的影响 | 第38-39页 |
| ·视觉词汇库尺寸对准确率的影响 | 第39-40页 |
| ·特征融合方法对准确率的影响 | 第40页 |
| ·不同图像表示方法的准确率对比 | 第40-41页 |
| ·不同稀疏编码模型的准确率对比 | 第41-42页 |
| ·图像分类算法的准确率对比 | 第42-43页 |
| ·本章小结 | 第43-45页 |
| 第4章 基于多示例学习的对象识别及定位算法 | 第45-65页 |
| ·引言 | 第45页 |
| ·基于支持向量机的多示例学习算法 | 第45-50页 |
| ·多示例学习分类 | 第46页 |
| ·MILES 算法 | 第46-50页 |
| ·算法的整体框架 | 第50-51页 |
| ·基于稀疏编码与MILES 算法的图像分类 | 第51-54页 |
| ·基于稀疏编码的视觉词汇库生成 | 第52页 |
| ·基于MILES 算法的图像分类 | 第52-54页 |
| ·基于示例分类与图像分割的对象定位 | 第54-57页 |
| ·图像分割 | 第54-55页 |
| ·基于示例分类的对象区域确定 | 第55-57页 |
| ·实验结果与分析 | 第57-64页 |
| ·实验配置 | 第57-58页 |
| ·图像分类准确率 | 第58-62页 |
| ·对象区域确定实验结果 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| ·论文工作总结 | 第65页 |
| ·工作展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间已发表或录用的论文 | 第73页 |
| 攻读硕士学位期间参加的课题与项目 | 第73-76页 |
| 上海交通大学硕士学位论文答辩决议书 | 第76页 |
