基于目标的场景图像表示及分类
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第10-14页 |
| ·课题背景与研究意义 | 第10-11页 |
| ·场景分类的研究现状及存在难点 | 第11-12页 |
| ·论文研究内容与创新点 | 第12-13页 |
| ·论文组织结构 | 第13-14页 |
| 第二章 场景分类图像表示及相关理论 | 第14-20页 |
| ·低层特征图像表示方法 | 第14-16页 |
| ·局部特征 | 第14-15页 |
| ·全局特征 | 第15页 |
| ·低层特征比较分析 | 第15-16页 |
| ·语义特征图像表示方法 | 第16-17页 |
| ·基于深度学习特征的图像表示方法 | 第17-19页 |
| ·卷积神经网络 | 第17-18页 |
| ·AlexNet网络 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 基于图像标注信息的目标表示模型 | 第20-24页 |
| ·目标直方图 | 第20-21页 |
| ·空间几何直方图 | 第21-22页 |
| ·共现直方图 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第四章 结合语义分割的目标表示模型 | 第24-29页 |
| ·语义分割 | 第24-28页 |
| ·O2P算法 | 第25-27页 |
| ·O2P算法结果分析 | 第27-28页 |
| ·基于目标的图像表示方法 | 第28页 |
| ·目标直方图 | 第28页 |
| ·空间几何直方图和共现直方图 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第五章 结合卷积神经网络的目标表示模型 | 第29-37页 |
| ·卷积神经网络各层特征分析 | 第29-34页 |
| ·ImageNet-CNN各层特征分析 | 第29-32页 |
| ·Places-CNN高层特征分析 | 第32-34页 |
| ·结合卷积神经网络的目标表示 | 第34-36页 |
| ·VGG深度卷积神经网络结构 | 第35页 |
| ·目标直方图 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第六章 实验 | 第37-53页 |
| ·结合标注信息的目标表示方法验证 | 第37-41页 |
| ·LabelMe 8类室外场景库 | 第38-40页 |
| ·MIT室内5类场景库 | 第40-41页 |
| ·结合语义分割的目标表示模型验证 | 第41-44页 |
| ·LabelMe 8类室外场景库 | 第42-43页 |
| ·MIT室内5类数据库 | 第43-44页 |
| ·结合卷积神经网络的目标表示模型验证 | 第44-49页 |
| ·VGG-16卷积神经网络pool5层特征分析 | 第44-45页 |
| ·小数据集上结果比较分析 | 第45-47页 |
| ·大规模数据集上结果比较分析 | 第47-49页 |
| ·与其他方法的比较 | 第49-51页 |
| ·与低层特征方法的比较 | 第49-50页 |
| ·与语义特征方法的比较 | 第50页 |
| ·与其他结合卷积神经网络分类方法的比较 | 第50-51页 |
| ·本章小结 | 第51-53页 |
| 第七章 总结和展望 | 第53-54页 |
| 附录 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60页 |
