| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 图像的特征提取 | 第11-12页 |
| 1.2.2 图像识别的方法 | 第12-13页 |
| 1.2.3 深度学习的发展 | 第13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 1.4 论文组织结构 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 相关技术介绍 | 第16-30页 |
| 2.1 可变形部件模型 | 第16-18页 |
| 2.1.1 可变形部件模型(DPM)简介 | 第16-17页 |
| 2.1.2 线性得分公式 | 第17-18页 |
| 2.1.3 模型匹配与目标检测 | 第18页 |
| 2.2 多对象关系分析 | 第18-22页 |
| 2.2.1 基于语义上下文的多对象关系 | 第19-20页 |
| 2.2.2 基于尺度上下文的多对象关系 | 第20-21页 |
| 2.2.3 基于空间上下文的多对象关系 | 第21-22页 |
| 2.3 深度学习模型研究 | 第22-26页 |
| 2.3.1 卷积神经网络 | 第22-24页 |
| 2.3.2 BRNNs | 第24页 |
| 2.3.3 LSTM | 第24-26页 |
| 2.3.4 BLSTM | 第26页 |
| 2.4 遗传算法 | 第26-28页 |
| 2.4.1 概念 | 第26-27页 |
| 2.4.2 原理 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 基于多对象关系的图像识别 | 第30-50页 |
| 3.1 对象探测窗口与坐标变换 | 第30-33页 |
| 3.1.1 候选对象探测窗口的生成 | 第30-31页 |
| 3.1.2 三维世界坐标变换 | 第31-32页 |
| 3.1.3 对象识别问题描述 | 第32-33页 |
| 3.2 基于语义上下文、空间和尺度上下文的多对象关系 | 第33-38页 |
| 3.2.1 基于语义上下文的多对象关系的表示 | 第34页 |
| 3.2.2 基于空间及尺度上下文的多对象关系的表示 | 第34-37页 |
| 3.2.3 构建对象关系图 | 第37-38页 |
| 3.3 基于BLSTM-RNNs模型的全局上下文特征提取及识别 | 第38-44页 |
| 3.3.1 BLSTM-RNNs模型框架 | 第38-40页 |
| 3.3.2 全局Gist特征的提取 | 第40-41页 |
| 3.3.3 探测窗口数据预处理 | 第41页 |
| 3.3.4 基于BLSTM-RNNs模型的图像全局上下文特征提取 | 第41-42页 |
| 3.3.5 基于BLSTM-RNNs模型的对象类别识别 | 第42-44页 |
| 3.4 基于多对象关系的图像识别 | 第44-48页 |
| 3.4.1 基于多对象关系的图像识别框架 | 第44-45页 |
| 3.4.2 融合方法 | 第45-46页 |
| 3.4.3 单基因适应度函数 | 第46页 |
| 3.4.4 成对基因作用的适应度函数 | 第46-47页 |
| 3.4.5 多基因作用的适应度函数 | 第47-48页 |
| 3.4.6 遗传算法求最优解 | 第48页 |
| 3.5 本章小结 | 第48-50页 |
| 第4章 实验结果与分析 | 第50-60页 |
| 4.1 数据集介绍 | 第50-51页 |
| 4.2 评价指标 | 第51-52页 |
| 4.3 实验设置 | 第52-54页 |
| 4.4 实验结果及分析 | 第54-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-69页 |
