基于多目标潜在信息的物体检测重评价方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题背景及研究目的和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-16页 |
| 1.3 本文主要内容 | 第16-17页 |
| 1.4 本文结构安排 | 第17-18页 |
| 第2章 图像特征类型分析 | 第18-30页 |
| 2.1 检测模型特征分析 | 第18-23页 |
| 2.1.1 重整合HOG特征 | 第18-21页 |
| 2.1.2 稀疏编码直方图 | 第21-23页 |
| 2.2 重评价模型特征分析 | 第23-28页 |
| 2.2.1 Gist特征 | 第23-25页 |
| 2.2.2 Geometric特征 | 第25-28页 |
| 2.3 深层卷积神经网络特征应用 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于DPM的物体检测 | 第30-43页 |
| 3.1 可形变模型 | 第30-36页 |
| 3.1.1 特征金字塔与特征映射图 | 第30-32页 |
| 3.1.2 可形变模型 | 第32-33页 |
| 3.1.3 检测过程 | 第33-36页 |
| 3.2 训练及优化方法 | 第36-38页 |
| 3.2.1 LSVM | 第36页 |
| 3.2.2 反例集上的数据挖掘方法 | 第36-37页 |
| 3.2.3 模型训练的算法描述 | 第37-38页 |
| 3.3 实验结果及模型分析 | 第38-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 利用潜在信息改善检测效果 | 第43-53页 |
| 4.1 多重目标选择 | 第45-47页 |
| 4.1.1 物体类别 | 第45-46页 |
| 4.1.2 物体位置 | 第46页 |
| 4.1.3 坐标及检测结果 | 第46-47页 |
| 4.2 重评价模型训练 | 第47-48页 |
| 4.3 实验结果及分析 | 第48-51页 |
| 4.4 本章小结 | 第51-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58-60页 |
| 致谢 | 第60页 |
