视频图像语义信息提取研究
| 摘要 | 第1-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第8-15页 |
| ·研究背景及意义 | 第8-9页 |
| ·视频图像语义信息提取框架 | 第9-13页 |
| ·视频图像数据库与预处理 | 第9-11页 |
| ·底层特征提取 | 第11-12页 |
| ·特征变换 | 第12页 |
| ·统计学习方法建模与模型库 | 第12-13页 |
| ·本文主要工作 | 第13-14页 |
| ·本文结构 | 第14-15页 |
| 第二章 现有语义提取方法的分析比较 | 第15-25页 |
| ·基于贝叶斯方法的语义提取 | 第15-18页 |
| ·贝叶斯分类器 | 第15-16页 |
| ·贝叶斯网络 | 第16-18页 |
| ·基于支持向量机的语义提取 | 第18-21页 |
| ·支持向量机模型向量 | 第19-20页 |
| ·类支持向量机方法 | 第20-21页 |
| ·基于其他统计方法的语义提取 | 第21-23页 |
| ·基于高斯混合模型的方法 | 第21页 |
| ·基于期望最大算法的方法 | 第21-23页 |
| ·现有语义方法提取方法中的问题 | 第23-25页 |
| 第三章 自底向上的层次化视频语义提取 | 第25-46页 |
| ·引言 | 第25-27页 |
| ·层次化语义 | 第27-28页 |
| ·显著物体检测 | 第28-33页 |
| ·图像分割 | 第30页 |
| ·特征提取 | 第30-31页 |
| ·训练分类器 | 第31页 |
| ·boosting融合 | 第31-33页 |
| ·物体检测 | 第33页 |
| ·场景概念学习 | 第33-37页 |
| ·基于区域的模型向量 | 第34-35页 |
| ·基于先验的模型向量 | 第35-37页 |
| ·两种模型向量的对比 | 第37页 |
| ·实验结果 | 第37-44页 |
| ·融合方法的比较 | 第39页 |
| ·boosting迭代次数 | 第39-40页 |
| ·使用的特征数量 | 第40-42页 |
| ·特征权重的分布 | 第42-43页 |
| ·模型向量的比较 | 第43-44页 |
| ·本章总结 | 第44-46页 |
| 第四章 基于辅助标签的半自动图像标注 | 第46-66页 |
| ·引言 | 第46-48页 |
| ·相关工作 | 第48-49页 |
| ·SADATA概述 | 第49-51页 |
| ·符号标记 | 第49页 |
| ·学习框架 | 第49-50页 |
| ·相关反馈 | 第50-51页 |
| ·辅助标签方案 | 第51-53页 |
| ·标签相关度计算 | 第51-52页 |
| ·辅助标签选择 | 第52-53页 |
| ·动态混合模型 | 第53-55页 |
| ·权重的非参估计 | 第53-54页 |
| ·与静态混合模型的联系 | 第54-55页 |
| ·实验结果 | 第55-65页 |
| ·实验准备 | 第55-57页 |
| ·辅助标签集合的平均大小 | 第57-62页 |
| ·动态混合模型 | 第62页 |
| ·与当前同类算法的对比 | 第62-64页 |
| ·相关反馈 | 第64-65页 |
| ·本章总结 | 第65-66页 |
| 第五章 时空信息辅助的物体检测 | 第66-87页 |
| ·引言 | 第66-68页 |
| ·相关工作 | 第68-69页 |
| ·方法概述 | 第69-71页 |
| ·区域的量化 | 第69-70页 |
| ·框架描述 | 第70-71页 |
| ·辅助物体的选择与定位 | 第71-76页 |
| ·辅助物体的选择 | 第71-73页 |
| ·辅助物体的定位 | 第73-76页 |
| ·辅助物体的权重模型 | 第76-82页 |
| ·权重模型的非参估计 | 第77页 |
| ·权重模型的近似估计 | 第77-82页 |
| ·实验结果 | 第82-85页 |
| ·实验准备 | 第82页 |
| ·辅助率的影响 | 第82-83页 |
| ·空间和时间信息的辅助作用 | 第83-85页 |
| ·本章总结 | 第85-87页 |
| 第六章 全文总结与未来展望 | 第87-89页 |
| ·全文总结 | 第87-88页 |
| ·未来展望 | 第88-89页 |
| 参考文献 | 第89-98页 |
| 附录A 中英文名词对照表 | 第98-101页 |
| 攻读博士期间主要研究成果 | 第101-102页 |
| 致谢 | 第102-104页 |
