基于随机决策森林的室内场景语义标注
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 场景标注简介 | 第10-11页 |
| 1.2 室内场景语义标注的意义与特点 | 第11页 |
| 1.3 国内外的研究现状 | 第11-14页 |
| 1.4 数据集 | 第14-16页 |
| 1.5 本文的主要工作及章节安排 | 第16-19页 |
| 第二章 随机决策森林模型 | 第19-26页 |
| 2.1 引言 | 第19-20页 |
| 2.2 决策树模型 | 第20-21页 |
| 2.2.1 决策树的概念 | 第20页 |
| 2.2.2 树的训练与预测 | 第20-21页 |
| 2.2.3 熵与信息增益 | 第21页 |
| 2.3 决策森林模型 | 第21-23页 |
| 2.3.1 分支函数 | 第21-22页 |
| 2.3.2 预测输出 | 第22-23页 |
| 2.3.3 森林的随机性 | 第23页 |
| 2.4 随机森林的应用 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于 RGB-D 图像纹元的局部标注 | 第26-42页 |
| 3.1 引言 | 第26-27页 |
| 3.2 RGB-D 图像预处理 | 第27-33页 |
| 3.2.1 摄像头的对齐 | 第27-28页 |
| 3.2.2 彩色图像的预处理 | 第28-29页 |
| 3.2.3 景深图像的预处理 | 第29-33页 |
| 3.3 图像纹元检测算法 | 第33-34页 |
| 3.4 图像级先验估计 | 第34-37页 |
| 3.4.1 词包模型 | 第35-36页 |
| 3.4.2 语义纹元词包 | 第36页 |
| 3.4.3 基于支持向量机的类别概率估计 | 第36-37页 |
| 3.5 实验结果及分析 | 第37-39页 |
| 3.6 本章小结 | 第39-42页 |
| 第四章 基于类别空间上下文的标注优化 | 第42-51页 |
| 4.1 引言 | 第42页 |
| 4.2 基于空间上下文的语义一致性 | 第42-45页 |
| 4.2.1 线性组合——TextonBoost | 第42-43页 |
| 4.2.2 树状组合——STF | 第43-44页 |
| 4.2.3 两者的特点与区别 | 第44-45页 |
| 4.3 基于森林结构的优化 | 第45-46页 |
| 4.3.1 景深信息优化 | 第45-46页 |
| 4.3.2 多类别优化 | 第46页 |
| 4.4 实验结果及分析 | 第46-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 类别标注的全局一致性优化 | 第51-62页 |
| 5.1 引言 | 第51页 |
| 5.2 基于马尔科夫随机场的标注优化 | 第51-54页 |
| 5.2.1 马尔科夫随机场的基本组成 | 第51-52页 |
| 5.2.2 随机场的概率与势能转化 | 第52-54页 |
| 5.3 结合随机决策森林进行场景标注 | 第54-56页 |
| 5.3.1 基于语义纹元森林的似然估计 | 第54页 |
| 5.3.2 基于随机决策森林的边缘检测 | 第54-56页 |
| 5.4 马尔科夫随机场的推导 | 第56-58页 |
| 5.4.1 置信度传播算法 | 第56-57页 |
| 5.4.2 TRW-S 算法 | 第57-58页 |
| 5.5 实验结果及分析 | 第58-61页 |
| 5.5.1 全局优化实验结果及分析 | 第58-60页 |
| 5.5.2 不同算法对比与分析 | 第60-61页 |
| 5.6 本章小结 | 第61-62页 |
| 总结 | 第62-64页 |
| 本文完成的工作 | 第62页 |
| 存在的问题及展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间主要论文及出版物 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附件 | 第69页 |
