基于条件随机场与纠错输出码的图像自动标注方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语说明表 | 第13-14页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 图像自动标注的研究现状 | 第15-17页 |
| 1.3 本文研究内容和章节安排 | 第17-19页 |
| 第二章 图像自动标注的相关工作 | 第19-29页 |
| 2.1 图像视觉特征表示 | 第19-26页 |
| 2.1.1 图像特征提取 | 第19页 |
| 2.1.2 图像特征提取的难点 | 第19-20页 |
| 2.1.3 颜色特征 | 第20-22页 |
| 2.1.4 纹理特征 | 第22-23页 |
| 2.1.5 形状特征 | 第23页 |
| 2.1.6 空间关系特征 | 第23-24页 |
| 2.1.7 语义特征 | 第24-25页 |
| 2.1.8 各种特征提取的对比 | 第25-26页 |
| 2.2 图像特征的相似性度量 | 第26-29页 |
| 2.2.1 图像匹配 | 第26页 |
| 2.2.2 相似性度量 | 第26-29页 |
| 第三章 超像素分割 | 第29-41页 |
| 3.1 生成超像素的算法 | 第29-38页 |
| 3.1.1 基于图论的算法 | 第30-33页 |
| 3.1.2 基于梯度上升算法 | 第33-38页 |
| 3.2 实验结果与分析 | 第38-41页 |
| 第四章 基于条件随机场的图像自动标注 | 第41-65页 |
| 4.1 概率图模型 | 第41-51页 |
| 4.1.1 有向图模型 | 第42-49页 |
| 4.1.2 无向图模型 | 第49-51页 |
| 4.2 条件随机场介绍 | 第51-59页 |
| 4.2.1 建立图模型 | 第53页 |
| 4.2.2 条件随机场分类模型 | 第53-59页 |
| 4.3 实验结果与分析 | 第59-65页 |
| 第五章 基于纠错输出码的自动标注 | 第65-86页 |
| 5.1 ECOC算法的基本思想及原理 | 第65-69页 |
| 5.1.1 ECOC算法的编码矩阵分析 | 第66-69页 |
| 5.2 纠错输出码的编码 | 第69-72页 |
| 5.3 纠错输出码的解码 | 第72-73页 |
| 5.4 基于支持向量机的ECOC | 第73-76页 |
| 5.4.1 支持向量机模型 | 第73-76页 |
| 5.5 基于BP神经网络的ECOC | 第76-83页 |
| 5.5.1 BP神经网络模型 | 第76-81页 |
| 5.5.2 BP神经网络的设计 | 第81-83页 |
| 5.6 实验结果与分析 | 第83-86页 |
| 第六章 总结和展望 | 第86-88页 |
| 6.1 本文的主要工作 | 第86页 |
| 6.2 下一步研究工作 | 第86-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-94页 |
| 硕士研究生期间的研究成果 | 第94-95页 |
| 个人简历 | 第95-96页 |
| 学位论文评审后修改说明表 | 第96-98页 |
| 学位论文答辩后勘误修订说明表 | 第98-99页 |
