首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于部件的非刚性目标检测方法研究

摘要第5-7页
Abstract第7-9页
第1章 绪论第16-24页
    1.1 研究背景及意义第16-18页
    1.2 非刚性目标检测的挑战第18-20页
        1.2.1 弱监督学习第19页
        1.2.2 类内外观差异第19-20页
    1.3 研究现状第20-21页
    1.4 研究内容第21-24页
        1.4.1 创新点第22-23页
        1.4.2 本文章节结构第23-24页
第2章 基于部件的检测模型—概述、分析与评估第24-48页
    2.1 主流检测模型第24-28页
        2.1.1 整体化检测第24-26页
        2.1.2 结构化检测第26-28页
    2.2 部件模型的方法论第28-31页
        2.2.1 浅层分析VS深层分析第28-30页
        2.2.2 部件模型的定义与分析第30-31页
    2.3 部件模型的研究现状第31-40页
        2.3.1 弱监督部件模型第32-37页
        2.3.2 监督部件模型第37-40页
    2.4 部件模型的实验分析第40-46页
        2.4.1 判别部件VS语义部件第41-42页
        2.4.2 形状特征VS统计特征第42-43页
        2.4.3 功能损失分析第43-46页
        2.4.4 空间结构分析第46页
    2.5 本章小结第46-48页
第3章 基于部件的判别投票第48-59页
    3.1 引言第48页
    3.2 部件化投票第48-51页
        3.2.1 概率投票第48-49页
        3.2.2 部件化投票第49-51页
    3.3 投票计算与参数训练第51-56页
        3.3.1 投票计算第51-53页
        3.3.2 参数训练第53-56页
    3.4 实验评估第56-58页
        3.4.1 实验设置第56-57页
        3.4.2 ETHZ&INRIA-Horse第57页
        3.4.3 PASCAL VOC第57-58页
    3.5 本章小结第58-59页
第4章 自适应部件学习第59-77页
    4.1 引言第59-60页
        4.1.1 部件的弱监督学习问题第59页
        4.1.2 基本思想第59-60页
    4.2 基于HOG的自适应部件定位第60-64页
    4.3 基于ICS的自适应部件定位第64-68页
        4.3.1 ICS-based DPM第64-65页
        4.3.2 自适应定位策略第65-68页
    4.4 伪正样本剪枝第68-69页
    4.5 训练框架第69-71页
    4.6 实验评估第71-76页
        4.6.1 部件覆盖率第71-72页
        4.6.2 目标检测率第72-75页
        4.6.3 部件剪枝第75-76页
    4.7 本章小结第76-77页
第5章 层次化联合识别模型第77-90页
    5.1 引言第77-78页
        5.1.1 联合检测与估计的必要性第77-78页
        5.1.2 基本思想第78页
    5.2 层次化模型第78-82页
        5.2.1 联合PS结构与DPM结构第78-80页
        5.2.2 混合模型第80-81页
        5.2.3 检测与估计第81-82页
    5.3 模型训练第82-86页
        5.3.1 基于隐变量的结构化SVM第82-85页
        5.3.2 判别部件的自动学习第85-86页
    5.4 实验评估第86-89页
        5.4.1 目标检测第87页
        5.4.2 姿态估计第87-89页
    5.5 本章小结第89-90页
第6章 领域自适应部件标注第90-102页
    6.1 引言第90页
    6.2 领域自适应第90-94页
        6.2.1 基本定义第90-92页
        6.2.2 研究现状第92-94页
    6.3 自适应结构化SVM第94-97页
        6.3.1 部件标注第94-95页
        6.3.2 部件标注的自适应学习第95-97页
    6.4 待标注样本选取第97-99页
        6.4.1 期望损失最大的实例选取第97-98页
        6.4.2 歧义最大的实例选取第98-99页
    6.5 实验评估第99-101页
        6.5.1 格局分布差异第100-101页
        6.5.2 外观分布差异第101页
    6.6 本章小结第101-102页
结论第102-105页
参考文献第105-118页
附录A (攻读博士学位期间所发表的学术论文)第118-119页
附录B (攻读博士学位期间所参加的科研项目)第119-120页
致谢第120页

论文共120页,点击 下载论文
上一篇:面向大数据的高效布鲁姆过滤器研究与应用
下一篇:图像克隆拼接篡改盲取证技术研究