基于Hadoop的随机森林图像分类算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 随机森林研究现状 | 第10-11页 |
| 1.2.2 图像分类方法研究现状 | 第11-12页 |
| 1.2.3 Hadoop平台研究现状 | 第12-13页 |
| 1.3 本文工作及结构安排 | 第13-15页 |
| 1.3.1 本文的主要工作 | 第13页 |
| 1.3.2 论文的结构安排 | 第13-15页 |
| 第二章 图像分类技术概述 | 第15-27页 |
| 2.1 图像分类的基本方法 | 第15-18页 |
| 2.1.1 图像特征提取 | 第15-17页 |
| 2.1.2 分类器训练 | 第17-18页 |
| 2.2 Sift特征 | 第18-24页 |
| 2.3 Bo VW特征 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 随机森林算法概述 | 第27-39页 |
| 3.1 决策树基分类器 | 第27-31页 |
| 3.1.1 决策树的分裂算法 | 第28-29页 |
| 3.1.2 过拟合及剪枝 | 第29-31页 |
| 3.2 随机森林的定义 | 第31-32页 |
| 3.3 随机森林的生成与使用 | 第32-35页 |
| 3.3.1 为决策树抽取训练样本 | 第32-33页 |
| 3.3.2 在样本集上生成决策树 | 第33-34页 |
| 3.3.3 使用随机森林进行分类 | 第34-35页 |
| 3.4 随机性和性能指标 | 第35-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 基于混淆矩阵的随机森林模型选择 | 第39-53页 |
| 4.1 集成分类器 | 第39-41页 |
| 4.1.1 集成分类器的差异性度量 | 第40页 |
| 4.1.2 集成分类器的评价 | 第40-41页 |
| 4.2 基于混淆矩阵的随机森林模型选择 | 第41-45页 |
| 4.2.1 基于混淆矩阵的分类树相似性 | 第41-43页 |
| 4.2.2 随机森林模型选择策略 | 第43-45页 |
| 4.3 实验与分析 | 第45-51页 |
| 4.3.1 实验数据说明 | 第45-46页 |
| 4.3.2 实验结果与分析 | 第46-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第五章 基于Hadoop的图像分类并行化 | 第53-65页 |
| 5.1 Hadoop分布式计算平台 | 第53-57页 |
| 5.1.1 HDFS | 第54-55页 |
| 5.1.2 Map Reduce框架 | 第55-57页 |
| 5.2 随机森林并行化 | 第57-59页 |
| 5.2.1 建树并行化 | 第57-59页 |
| 5.2.2 投票并行化 | 第59页 |
| 5.3 图像分类预处理过程并行化 | 第59-61页 |
| 5.3.1 特征提取并行化 | 第60页 |
| 5.3.2 Bo VW模型并行化 | 第60-61页 |
| 5.4 实验与分析 | 第61-64页 |
| 5.4.1 实验数据说明 | 第61-62页 |
| 5.4.2 实验环境 | 第62页 |
| 5.4.3 实验结果与分析 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 发表论文和参加科研情况说明 | 第71-73页 |
| 致谢 | 第73-74页 |
