首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于视觉影像数据的场景内容解析

摘要第5-7页
abstract第7-9页
第1章 绪论第17-27页
    1.1 研究背景与意义第17-20页
    1.2 研究内容与目标第20-23页
        1.2.1 研究内容第20-22页
        1.2.2 研究目标第22-23页
    1.3 研究方法与创新第23-25页
        1.3.1 研究方法第23-24页
        1.3.2 创新之处第24-25页
    1.4 论文的组织结构第25-27页
第2章 基于视觉影像数据的场景内容解析算法综述第27-37页
    2.1 局部场景内容解析的相关方法第28-29页
        2.1.1 基于手工特征的局部场景内容解析第28页
        2.1.2 基于模型假设的局部场景内容解析第28-29页
        2.1.3 基于学习的局部场景内容解析第29页
    2.2 全局场景内容解析的相关方法第29-33页
        2.2.1 基于传统方法的全局场景内容解析第30-31页
        2.2.2 基于深度学习的全局场景内容解析第31-33页
    2.3 场景内容解析研究趋势第33页
    2.4 国内外相关著名研究组第33-34页
    2.5 本章小结第34-37页
第3章 基于在线边缘结构学习的局部场景内容解析第37-61页
    3.1 引言第37-41页
        3.1.1 方法概述第39-40页
        3.1.2 方法特色第40-41页
    3.2 多层级概率分析下的道路检测第41-48页
        3.2.1 道路边缘特征建模第42-43页
        3.2.2 在线结构SVM第43-47页
        3.2.3 道路边界拟合第47-48页
        3.2.4 在线分类器更新第48页
    3.3 实验结果分析与讨论第48-58页
        3.3.1 实验数据第49页
        3.3.2 实验设置第49-50页
        3.3.3 参数选择第50-53页
        3.3.4 实验分析第53-57页
        3.3.5 实验讨论第57-58页
    3.4 本章小结第58-61页
第4章 基于区域多层级概率分析的局部场景内容解析第61-71页
    4.1 引言第61-63页
        4.1.1 方法概述第62-63页
        4.1.2 方法特色第63页
    4.2 多层级概率分析下的道路检测第63-67页
        4.2.1 道路区域粗提取第64页
        4.2.2 先验信息估计第64-66页
        4.2.3 观测似然计算第66-67页
    4.3 实验结果分析与讨论第67-69页
        4.3.1 实验数据第67页
        4.3.2 实验设置第67-68页
        4.3.3 实验分析第68-69页
    4.4 本章小结第69-71页
第5章 基于上下文分析和困难样本增强的全局场景内容解析第71-89页
    5.1 引言第71-74页
        5.1.1 方法概述第72-73页
        5.1.2 方法特色第73-74页
    5.2 基于层级概率图模型的上下文建模第74-79页
        5.2.1 条件随机场第74-76页
        5.2.2 层级上下文建模第76-78页
        5.2.3 上下文结构决策第78-79页
    5.3 基于样本损失增强策略的小样本学习第79-81页
        5.3.1 小样本定义第79-80页
        5.3.2 样本损失增强第80-81页
        5.3.3 权重计算第81页
    5.4 实验结果分析与讨论第81-87页
        5.4.1 实验数据第82页
        5.4.2 实验评价第82-83页
        5.4.3 参数设置第83页
        5.4.4 实验分析第83-87页
    5.5 本章小结第87-89页
第6章 基于轮廓和自适应网络结构的全局场景内容解析第89-107页
    6.1 引言第89-93页
        6.1.1 方法概述第91-92页
        6.1.2 方法特色第92-93页
    6.2 基于轮廓和自适应网络结构的场景解析第93-99页
        6.2.1 基本模型第93-95页
        6.2.2 自适应深度的卷积神经网络第95-97页
        6.2.3 基于轮廓的卷积神经网络第97-98页
        6.2.4 全局推理第98-99页
    6.3 实验结果分析与讨论第99-104页
        6.3.1 实验数据及评价第99-100页
        6.3.2 实验设置第100-101页
        6.3.3 实验分析第101-104页
    6.4 本章小结第104-107页
第7章 总结与展望第107-111页
    7.1 总结第107-108页
    7.2 展望第108-111页
参考文献第111-125页
致谢第125-127页
作者简历及攻读学位期间发表的学术论文与研究成果第127-128页

论文共128页,点击 下载论文
上一篇:弗伊格特时期(1996-2011)的德国民族民主党研究
下一篇:业主在220千伏变电站工程建设过程中的实践和管理研究