水下小目标的声呐图像识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究课题的背景及意义 | 第10页 |
| 1.2 水下小目标识别的研究现状 | 第10-16页 |
| 1.3 本文的主要研究内容及结构安排 | 第16-18页 |
| 第2章 基于GentleBoost的多特征选择 | 第18-40页 |
| 2.1 Boosting技术简介 | 第18-19页 |
| 2.2 基于GentleBoost的特征选择 | 第19-22页 |
| 2.3 基于统计值的窗口尺寸选择 | 第22-23页 |
| 2.4 特征池的创建 | 第23-29页 |
| 2.4.1 Haar-like特征 | 第23-24页 |
| 2.4.2 HOG特征 | 第24-25页 |
| 2.4.3 局部二值模式特征 | 第25-26页 |
| 2.4.4 SURF特征 | 第26-27页 |
| 2.4.5 阴影特征 | 第27-28页 |
| 2.4.6 声呐特征 | 第28-29页 |
| 2.5 实验结果及分析 | 第29-37页 |
| 2.5.1 实验所用数据集 | 第29-31页 |
| 2.5.2 单一特征结果 | 第31-33页 |
| 2.5.3 双特征结果 | 第33-35页 |
| 2.5.4 三特征结果 | 第35-37页 |
| 2.5.5 多特征结果 | 第37页 |
| 2.6 本章小结 | 第37-40页 |
| 第3章 基于分层及多示例学习的分类器训练 | 第40-46页 |
| 3.1 分层训练概念 | 第40-41页 |
| 3.2 基于多示例学习的MILBoost方法 | 第41-42页 |
| 3.3 实验结果及分析 | 第42-45页 |
| 3.3.1 分层分类器实验结果及分析 | 第42-44页 |
| 3.3.2 MILBoost方法实验结果及分析 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于合成训练数据的训练分类效果评估 | 第46-56页 |
| 4.1 基于真实数据的半合成数据集的构造 | 第46-47页 |
| 4.2 基于Boosting级联的特征选择 | 第47-48页 |
| 4.3 实验结果及分析 | 第48-54页 |
| 4.4 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第62-64页 |
| 致谢 | 第64页 |
