面向变化场景的行人分类检测方法研究
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-15页 |
| 第1章 绪论 | 第15-31页 |
| ·研究背景 | 第15-16页 |
| ·面向变化场景的行人分类检测面临的技术挑战 | 第16-20页 |
| ·行人检测系统研究现状 | 第20-28页 |
| ·技术框架 | 第20-21页 |
| ·基于分类的行人检测方法 | 第21-24页 |
| ·基于多传感器融合的行人检测系统 | 第24-26页 |
| ·性能评价标准 | 第26-28页 |
| ·本文总体思路与内容安排 | 第28-31页 |
| ·本文总体思路 | 第28-29页 |
| ·内容安排 | 第29-31页 |
| 第2章 变化场景下的行人分类技术基础 | 第31-45页 |
| ·特征提取技术 | 第31-39页 |
| ·分类器设计 | 第39-44页 |
| ·本章小结 | 第44-45页 |
| 第3章 变化场景下的分类模型优化方法 | 第45-62页 |
| ·引入动机 | 第45-46页 |
| ·相关工作 | 第46-48页 |
| ·变化场景下的分类模型优化方法 | 第48-55页 |
| ·算法框架 | 第48-50页 |
| ·三分检测方法 | 第50-52页 |
| ·阈值向量优化算法 | 第52-55页 |
| ·实验结果与分析 | 第55-61页 |
| ·数据集 | 第55-56页 |
| ·性能比较 | 第56-61页 |
| ·本章小结 | 第61-62页 |
| 第4章 变化场景下的特征迁移模型 | 第62-74页 |
| ·引入动机 | 第62-63页 |
| ·相关工作 | 第63-64页 |
| ·变化场景下的特征迁移模型研究 | 第64-69页 |
| ·算法框架 | 第64-65页 |
| ·近似稀疏编码算法 | 第65-68页 |
| ·基于近似稀疏编码的行人检测方法 | 第68-69页 |
| ·实验结果与分析 | 第69-73页 |
| ·数据集 | 第69-70页 |
| ·性能比较 | 第70-73页 |
| ·本章小结 | 第73-74页 |
| 第5章 变化场景下的分类迁移模型 | 第74-88页 |
| ·引入动机 | 第74-75页 |
| ·相关工作 | 第75-76页 |
| ·变化场景下的分类迁移模型 | 第76-81页 |
| ·问题定义 | 第76页 |
| ·基于流形学习的样本筛选方法 | 第76-79页 |
| ·基于迁移学习的分类模型设计 | 第79-81页 |
| ·实验结果与分析 | 第81-87页 |
| ·实验数据 | 第81-82页 |
| ·样本筛选实验 | 第82-84页 |
| ·性能比较 | 第84-87页 |
| ·本章小结 | 第87-88页 |
| 第6章 总结与展望 | 第88-91页 |
| ·本文总结 | 第88-90页 |
| ·研究展望 | 第90-91页 |
| 参考文献 | 第91-100页 |
| 图索引 | 第100-101页 |
| 表索引 | 第101-103页 |
| 致谢 | 第103-105页 |
| 在读期间发表的学术论文与取得的研究成果 | 第105-107页 |
