基于单层稀疏自编码和支持向量机的场景分类
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 场景分类的研究意义 | 第8-9页 |
| 1.2 场景分类面临的主要挑战 | 第9-11页 |
| 1.3 论文的主要创新点及结构安排 | 第11-14页 |
| 2 场景图像分类现有方法、存在问题及解决方案 | 第14-23页 |
| 2.1 引言 | 第14页 |
| 2.2 现有场景分类方法 | 第14-20页 |
| 2.2.1 基于底层特征建模的方法 | 第14-17页 |
| 2.2.2 基于语义建模的方法 | 第17-20页 |
| 2.3 现有场景分类方法存在问题及解决方案 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于单层SAE的场景图像特征学习 | 第23-35页 |
| 3.1 引言 | 第23页 |
| 3.2 表示学习基本原理 | 第23-25页 |
| 3.2.1 表示学习核心思想 | 第23-24页 |
| 3.2.2 表示学习基本模型 | 第24-25页 |
| 3.4 基于单层SAE的图像特征学习 | 第25-34页 |
| 3.4.1 单层SAE模型的训练 | 第25-31页 |
| 3.4.2 图像卷积特征提取 | 第31-32页 |
| 3.4.3 构建局部连接的单层SAE网络 | 第32-33页 |
| 3.4.4 基于池化方法的图像降维表示 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 SVM分类器设计及参数优化 | 第35-40页 |
| 4.1 引言 | 第35页 |
| 4.2 多分类SVM分类器 | 第35-36页 |
| 4.3 基于PSO和PCA的SVM参数优化 | 第36-39页 |
| 4.3.1 PSO和PCA算法 | 第36-37页 |
| 4.3.2 SVM核函数及其参数优化方法 | 第37-38页 |
| 4.3.3 基于PSO和PCA的SVM参数优化 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 5 实验仿真及分析 | 第40-53页 |
| 5.1 引言 | 第40-41页 |
| 5.2 实验结果及分析 | 第41-49页 |
| 5.2.1 OT数据库实验结果及分析 | 第41-42页 |
| 5.2.2 LF数据库实验结果及分析 | 第42-44页 |
| 5.2.3 FP数据库实验结果及分析 | 第44-46页 |
| 5.2.4 LS数据库实验结果及分析 | 第46-47页 |
| 5.2.5 HX数据库实验结果及分析 | 第47-49页 |
| 5.3 与现有场景分类方法的比较 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 本文主要工作总结 | 第53-54页 |
| 6.2 后续工作展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61页 |
| A. 作者在攻读硕士学位期间发表的论文目录 | 第61页 |
| B. 攻读学位期间取得科研成果 | 第61页 |
