| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外发展现状 | 第12-17页 |
| 1.2.1 异常点检测研究现状 | 第12-16页 |
| 1.2.2 细粒度图像分类研究现状 | 第16-17页 |
| 1.3 存在的问题及发展趋势 | 第17-18页 |
| 1.4 本文的主要工作和章节安排 | 第18-21页 |
| 1.4.1 主要工作内容 | 第18-19页 |
| 1.4.2 本文章节安排 | 第19-21页 |
| 第2章 鞋底花纹图像细粒度异常点检测算法整体思路 | 第21-29页 |
| 2.1 引言 | 第21页 |
| 2.2 鞋底花纹图像数据集的特点分析 | 第21-25页 |
| 2.3 鞋底花纹图像细粒度异常点检测算法总体思路 | 第25-26页 |
| 2.4 测试数据与评测方法 | 第26-27页 |
| 2.4.1 测试数据 | 第26页 |
| 2.4.2 评测方法 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 基于局部部件与全局特征相结合的异常点检测算法 | 第29-41页 |
| 3.1 引言 | 第29页 |
| 3.2 相关工作 | 第29-31页 |
| 3.2.1 鞋底花纹图像特征的研究现状 | 第29-30页 |
| 3.2.2 视觉词袋模型的基本原理 | 第30-31页 |
| 3.3 基于局部部件与全局特征相结合的异常点检测算法描述 | 第31-36页 |
| 3.3.1 基于视觉词袋模型的鞋印图像局部部件表达方法 | 第32-34页 |
| 3.3.2 异常度计算方法 | 第34-35页 |
| 3.3.3 算法描述 | 第35-36页 |
| 3.4 实验结果与分析 | 第36-39页 |
| 3.4.1 参数对算法的影响 | 第37页 |
| 3.4.2 鞋印数据集的实验结果与分析 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于稀疏自表示与最小生成树聚类的异常点检测算法 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 相关工作 | 第41-45页 |
| 4.2.1 基于稀疏自表示的异常点检测算法原理 | 第41-45页 |
| 4.2.2 基于最小生成树的聚类算法原理 | 第45页 |
| 4.3 基于稀疏自表示与最小生成树聚类的异常点检测算法描述 | 第45-49页 |
| 4.3.1 算法原理 | 第45-48页 |
| 4.3.2 算法描述 | 第48-49页 |
| 4.4 实验结果与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 基于自然最近邻的自适应异常点检测算法 | 第53-63页 |
| 5.1 引言 | 第53页 |
| 5.2 关工作 | 第53-56页 |
| 5.2.1 自然最近邻定义 | 第53-54页 |
| 5.2.2 改进的自然最近邻 | 第54-55页 |
| 5.2.3 基于自然最近邻的异常点检测算法的研究现状 | 第55-56页 |
| 5.3 于自然最近邻的自适应异常点检测算法描述 | 第56-60页 |
| 5.3.1 算法原理 | 第56-58页 |
| 5.3.2 算法描述 | 第58-60页 |
| 5.4 实验结果与分析 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 本文主要工作总结 | 第63-64页 |
| 未来工作展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72页 |
