摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第12-20页 |
1.1 研究背景及意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-17页 |
1.2.1 图像分类问题研究现状 | 第14-15页 |
1.2.2 随机森林算法研究现状 | 第15-16页 |
1.2.3 Hadoop平台应用现状 | 第16-17页 |
1.3 本文的主要研究内容 | 第17-18页 |
1.4 本文的结构安排 | 第18-20页 |
第二章 Hadoop技术架构概述 | 第20-28页 |
2.1 Hadoop简介 | 第20-22页 |
2.1.1 项目背景 | 第20-21页 |
2.1.2 Hadoop的基本架构模型 | 第21-22页 |
2.2 分布式文件系统HDFS | 第22-24页 |
2.2.1 设计原则 | 第22-23页 |
2.2.2 NameNode与DataNode | 第23-24页 |
2.2.3 数据存储 | 第24页 |
2.3 编程模式MapReduce | 第24-27页 |
2.4 本章小结 | 第27-28页 |
第三章 图像分类问题研究综述 | 第28-44页 |
3.1 图像特征提取 | 第29-39页 |
3.1.1 底层特征:颜色、纹理和形状 | 第30-31页 |
3.1.2 SIFT特征 | 第31-36页 |
3.1.3 Bag of Visual Words特征 | 第36-39页 |
3.2 分类算法 | 第39-42页 |
3.2.1 朴素贝叶斯 | 第39页 |
3.2.2 K近邻 | 第39-40页 |
3.2.3 BP神经网络 | 第40-41页 |
3.2.4 支持向量机 | 第41-42页 |
3.3 本章小结 | 第42-44页 |
第四章 随机森林算法基本理论 | 第44-54页 |
4.1 决策树及相关概念 | 第44-47页 |
4.1.1 决策树算法 | 第44-45页 |
4.1.2 决策树属性的选择 | 第45-47页 |
4.1.3 决策树的剪枝 | 第47页 |
4.2 随机森林算法 | 第47-52页 |
4.2.1 定义 | 第48页 |
4.2.2 随机性的引入 | 第48页 |
4.2.3 随机森林的生长 | 第48-51页 |
4.2.4 随机森林的分类 | 第51-52页 |
4.3 本章小结 | 第52-54页 |
第五章 基于MapReduce的随机森林算法并行化研究 | 第54-58页 |
5.1 Mahout中随机森林的并行化实现 | 第54-56页 |
5.2 随机森林并行化算法进一步改进 | 第56-57页 |
5.3 本章小结 | 第57-58页 |
第六章 基于Hadoop的图像分类系统设计与实现 | 第58-80页 |
6.1 本文图像分类系统简介 | 第58-60页 |
6.2 基于Hadoop的图像并行化处理 | 第60-67页 |
6.2.1 HipiImageBundle格式 | 第60-62页 |
6.2.2 键值对类型ImageHeader/FloatImage | 第62-64页 |
6.2.3 作业的输入格式ImageBundleInputFormat | 第64-67页 |
6.3 基于DenseSift算法和BoVW模型构建图像空间金字塔表示 | 第67-75页 |
6.3.1 BoVW模型在图像分类场景中的应用简介 | 第67-69页 |
6.3.2 BoVW模型构建及表征图像 | 第69-74页 |
6.3.3 构造空间金字塔 | 第74-75页 |
6.4 基于分布式Random Forest算法构建分类器 | 第75-79页 |
6.4.1 输入数据准备 | 第75-76页 |
6.4.2 运行过程 | 第76-79页 |
6.5 本章小结 | 第79-80页 |
第七章 实验设计及结果分析 | 第80-94页 |
7.1 实验数据集 | 第80-81页 |
7.2 评价标准 | 第81-83页 |
7.3 实验环境搭建 | 第83-85页 |
7.3.1 实验环境 | 第83-84页 |
7.3.2 系统部署 | 第84-85页 |
7.4 实验结果分析 | 第85-92页 |
7.4.1 分类结果分析 | 第85-90页 |
7.4.2 并行化随机森林分析 | 第90-92页 |
7.5 本章小结 | 第92-94页 |
第八章 总结与展望 | 第94-96页 |
参考文献 | 第96-100页 |
致谢 | 第100页 |