基于集合表示的图像分类
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 课题的研究现状 | 第10-12页 |
| 1.3 本文的主要组织框架 | 第12-14页 |
| 第2章 图像的集合表示方法 | 第14-31页 |
| 2.1 Dense SIFT特征提取 | 第15-18页 |
| 2.1.1 特征类别 | 第15页 |
| 2.1.2 Dense SIFT算法 | 第15-18页 |
| 2.2 词袋模型(BOW) | 第18-21页 |
| 2.2.1 BOW模型的概述 | 第18页 |
| 2.2.2 BOW模型的基本原理 | 第18-20页 |
| 2.2.3 BOW集合表示的局限性 | 第20-21页 |
| 2.3 高效匹配核(EMK) | 第21-24页 |
| 2.3.1 EMK图像表示原理 | 第22-23页 |
| 2.3.2 EMK中基向量学习 | 第23-24页 |
| 2.4 局部聚合描述符(VLAD) | 第24-27页 |
| 2.4.1 VLAD的概述 | 第25页 |
| 2.4.2 VLAD的形成过程 | 第25-27页 |
| 2.5 实验中选取的数据库 | 第27-30页 |
| 2.5.1 PPMI数据库 | 第28-29页 |
| 2.5.2 Caltech-101数据库 | 第29页 |
| 2.5.3 Scene-15数据库 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 用于构建视觉单词的聚类方法 | 第31-43页 |
| 3.1 K-means聚类算法 | 第31-33页 |
| 3.2 仿射传播聚类算法 | 第33-36页 |
| 3.2.1 仿射传播聚类算法原理 | 第33-34页 |
| 3.2.2 吸引度和归属度 | 第34-36页 |
| 3.3 高斯混合模型(GMM)聚类算法 | 第36-39页 |
| 3.3.1 GMM算法的原理 | 第37-39页 |
| 3.3.2 GMM的局限性 | 第39页 |
| 3.4 集合表示方法和聚类算法的实验分析 | 第39-42页 |
| 3.4.1 实验环境 | 第40页 |
| 3.4.2 实验结果与分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 对VLAD集合表示方法的改进 | 第43-61页 |
| 4.1 对VLAD进行归一化方法处理 | 第44-53页 |
| 4.1.1 在VLAD各层上做归一化 | 第44-48页 |
| 4.1.2 实验分析 | 第48-53页 |
| 4.2 基于GMP的VLAD的改进 | 第53-60页 |
| 4.2.1 GMP原理 | 第54-56页 |
| 4.2.2 实验分析 | 第56-60页 |
| 4.3 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-70页 |
| 致谢 | 第70页 |
