| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 致谢 | 第7-13页 |
| 第一章 绪论 | 第13-22页 |
| ·研究背景及意义 | 第13-15页 |
| ·Boosting研究现状及分析 | 第15-20页 |
| ·Boosting的产生与发展 | 第15-16页 |
| ·Boosting在图像理解中的应用现状 | 第16-20页 |
| ·论文的主要工作与组织结构 | 第20-21页 |
| ·论文的主要工作 | 第20页 |
| ·论文的组织结构 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第二章 Boosting分类模型 | 第22-33页 |
| ·集成学习 | 第22-23页 |
| ·Boosting基本思想 | 第23-25页 |
| ·Boosting理论分析 | 第25-26页 |
| ·Boosting分类模型与比较 | 第26-31页 |
| ·AdaBoost模型 | 第26-28页 |
| ·BBM模型 | 第28页 |
| ·拓展模型 | 第28-31页 |
| ·AdaBoost实验与分析 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 统计观点的Boosting模型 | 第33-42页 |
| ·累加模型 | 第33-34页 |
| ·累加回归模型 | 第33-34页 |
| ·分类问题 | 第34页 |
| ·累加逻辑回归模型 | 第34-39页 |
| ·指数准则 | 第34-36页 |
| ·对数似然准则 | 第36-37页 |
| ·Gentle AdaBoost分类模型 | 第37-39页 |
| ·RAB与GAB实验对比 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第四章 图像数据集的选择与处理 | 第42-53页 |
| ·传统图像集 | 第42-45页 |
| ·融合视觉知识的LabelMe图像集 | 第45-47页 |
| ·传统图像集与LabelMe的比较分析 | 第47-49页 |
| ·LabelMe图像注释实验 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 基于Gentle AdaBoost的场景中目标识别 | 第53-72页 |
| ·场景中目标识别 | 第53-56页 |
| ·场景中目标识别的内涵 | 第53-55页 |
| ·场景中目标识别的方法 | 第55-56页 |
| ·GAB目标识别算法 | 第56-58页 |
| ·实验与分析 | 第58-71页 |
| ·创建图像集 | 第58-61页 |
| ·提取特征 | 第61-66页 |
| ·训练GAB检测器 | 第66-67页 |
| ·测试GAB检测器 | 第67-69页 |
| ·识别评价 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| ·工作总结 | 第72页 |
| ·研究展望 | 第72-74页 |
| 参考文献 | 第74-81页 |
| 攻读硕士学位期间发表的论文及科研工作 | 第81页 |