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

鞋底花纹图像细粒度异常点检测算法研究

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

论文共72页,点击 下载论文
上一篇:基于Android的多级净水控制系统设计与实现
下一篇:基于时间序列数据挖掘的日志分析技术的研究