图像深度特征表示及其应用研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 图像深度特征表示 | 第13-14页 |
| 1.2.2 车牌检测研究现状 | 第14-16页 |
| 1.2.3 单幅图像雨滴去除研究现状 | 第16-17页 |
| 1.3 研究内容与创新点 | 第17-18页 |
| 1.4 论文组织结构 | 第18-21页 |
| 第2章 基于卷积神经网络的图像深度特征表示 | 第21-29页 |
| 2.1 卷积神经网络发展历程 | 第21-25页 |
| 2.2 主成分分析网络 | 第25-26页 |
| 2.3 极深网络 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于主成分分析网络的车牌检测 | 第29-43页 |
| 3.1 车牌检测问题描述及其方法概述 | 第29-31页 |
| 3.2 基于主成分分析网络的车牌区域识别 | 第31-34页 |
| 3.2.1 网络参数学习 | 第32-33页 |
| 3.2.2 哈希和直方图 | 第33页 |
| 3.2.3 支持向量机分类 | 第33-34页 |
| 3.3 车牌检测方法 | 第34-37页 |
| 3.4 车牌检测实验结果及性能分析 | 第37-42页 |
| 3.4.1 训练样本预处理 | 第37-38页 |
| 3.4.2 参数设置 | 第38-39页 |
| 3.4.3 鲁棒性分析 | 第39-41页 |
| 3.4.4 准确性分析 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于极深网络的单幅图像雨滴去除 | 第43-55页 |
| 4.1 单幅图像雨滴去除问题描述及其方法概述 | 第43-44页 |
| 4.2 基于深度学习的单幅雨滴去除模型 | 第44-48页 |
| 4.2.1 YUV空间变换 | 第45-46页 |
| 4.2.2 深度特征学习 | 第46-47页 |
| 4.2.3 去雨滴模型训练 | 第47-48页 |
| 4.3 实验结果与分析 | 第48-54页 |
| 4.3.1 训练样本预处理 | 第48页 |
| 4.3.2 网络参数设置 | 第48-50页 |
| 4.3.3 实验结果分析 | 第50-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-65页 |
| 作者攻读学位期间的科研成果 | 第65-67页 |
| 致谢 | 第67页 |
