基于深度特征表示的行人识别方法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 研究现状 | 第16-18页 |
| 1.3 研究难点 | 第18-20页 |
| 1.4 论文的主要研究内容 | 第20-21页 |
| 1.5 论文的章节组织 | 第21-23页 |
| 第二章 深度学习和词袋模型的基本理论 | 第23-41页 |
| 2.1 深度学习 | 第23-33页 |
| 2.1.1 深度学习概述 | 第23-24页 |
| 2.1.2 贪婪逐层训练过程 | 第24-25页 |
| 2.1.3 几种经典的模型 | 第25-32页 |
| 2.1.4 应用现状 | 第32-33页 |
| 2.2 词袋模型 | 第33-40页 |
| 2.2.1 背景 | 第33-35页 |
| 2.2.2 图像特征提取 | 第35-39页 |
| 2.2.3 视觉词典构建 | 第39-40页 |
| 2.2.4 图像视觉单词直方图表示 | 第40页 |
| 2.3 本章小结 | 第40-41页 |
| 第三章 基于深度分层特征表示的行人识别方法 | 第41-53页 |
| 3.1 引言 | 第41-42页 |
| 3.2 相关技术介绍 | 第42-44页 |
| 3.2.1 视觉深度结构概述 | 第42-43页 |
| 3.2.2 词袋模型概述 | 第43-44页 |
| 3.3 合结构的分层特征表示 | 第44-47页 |
| 3.3.1 低层特征提取 | 第44-45页 |
| 3.3.2 中层表示——分层视觉编码 | 第45-47页 |
| 3.4 视觉特征编码学习 | 第47-49页 |
| 3.4.1 RBM正则化 | 第47-48页 |
| 3.4.2 稀疏性和选择性正则化 | 第48页 |
| 3.4.3 监督微调 | 第48-49页 |
| 3.5 实验结果与分析 | 第49-52页 |
| 3.5.1 实验数据准备 | 第49-50页 |
| 3.5.2 实验结果与分析 | 第50-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第四章 基于正负最大池化的行人识别方法 | 第53-61页 |
| 4.1 引言 | 第53-54页 |
| 4.2 池化方法概述 | 第54-57页 |
| 4.2.1 最大池化 | 第54页 |
| 4.2.2 求和池化 | 第54-55页 |
| 4.2.3 平均池化 | 第55-56页 |
| 4.2.4 L_p池化 | 第56页 |
| 4.2.5 优缺点 | 第56-57页 |
| 4.3 正负最大池化 | 第57-58页 |
| 4.4 实验结果与分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 论文总结 | 第61页 |
| 5.2 不足与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第69-70页 |
