基于机器学习的刑侦图像分类与检索技术研究
| 摘要 | 第2-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究工作的背景及意义 | 第8页 |
| 1.2 国内外研究状况 | 第8-10页 |
| 1.3 本文的主要工作 | 第10页 |
| 1.4 本文的结构安排 | 第10-11页 |
| 1.5 本章小结 | 第11-12页 |
| 2 图像分类与检索技术基础 | 第12-27页 |
| 2.1 图像分类 | 第12-15页 |
| 2.1.1 图像特征提取 | 第12-13页 |
| 2.1.2 分类模型训练 | 第13-14页 |
| 2.1.3 图像分类与性能评估 | 第14-15页 |
| 2.2 图像检索 | 第15-16页 |
| 2.2.1 相似度度量 | 第15-16页 |
| 2.2.2 检索性能评价 | 第16页 |
| 2.3 深度学习与卷积神经网络 | 第16-25页 |
| 2.3.1 深度学习概述 | 第17-18页 |
| 2.3.2 激活函数 | 第18-19页 |
| 2.3.3 局部感受野与权重共享 | 第19-20页 |
| 2.3.4 卷积与池化 | 第20-21页 |
| 2.3.5 正则化与Dropout | 第21-22页 |
| 2.3.6 几种典型的卷积神经网络结构 | 第22-25页 |
| 2.4 深度学习开发框架 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于区域卷积网络的图像分类与标注 | 第27-39页 |
| 3.1 Rcnn与图像分类 | 第27-29页 |
| 3.2 FastRcnn网络与图像分类 | 第29-31页 |
| 3.3 FasterRcnn网络与图像分类 | 第31-33页 |
| 3.4 改进的FasterRcnn | 第33-35页 |
| 3.5 实验与分析 | 第35-39页 |
| 4 多特征结合的刑侦现勘图像检索 | 第39-48页 |
| 4.1 传统的图像特征表示与检索 | 第39-41页 |
| 4.1.1 基于颜色特征直方图的HSV特征提取 | 第39-40页 |
| 4.1.2 基于BOW模型的SIFT特征提取 | 第40-41页 |
| 4.2 基于深度学习的特征表示与检索 | 第41-44页 |
| 4.3 多特征结合的图像检索 | 第44-45页 |
| 4.4 语义与内容结合的图像检索 | 第45-46页 |
| 4.5 实验与分析 | 第46-48页 |
| 4.5.1 基于单特征的图像检索 | 第46-47页 |
| 4.5.2 基于多特征结合的检索 | 第47页 |
| 4.5.3 语义与内容结合的图像检索 | 第47-48页 |
| 5 刑侦图像管理系统设计与实现 | 第48-57页 |
| 5.1 系统设计 | 第48-51页 |
| 5.1.1 系统功能描述与模块设计 | 第48-49页 |
| 5.1.2 系统结构设计 | 第49页 |
| 5.1.3 数据库设计 | 第49-51页 |
| 5.2 系统实现 | 第51-56页 |
| 5.2.1 刑侦图像数据集制作 | 第51-53页 |
| 5.2.2 网络训练 | 第53-54页 |
| 5.2.3 图像管理模块 | 第54-55页 |
| 5.2.4 图像检索模块 | 第55-56页 |
| 5.3 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-64页 |
