基于特征学习的形状识别方法
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-14页 |
| 1.1 研究背景及意义 | 第6-9页 |
| 1.2 基本形状识别方法综述 | 第9-10页 |
| 1.3 草图识别方法综述 | 第10-12页 |
| 1.3.1 用于草图识别的特征 | 第11页 |
| 1.3.2 用于草图的神经网络 | 第11-12页 |
| 1.4 本文内容组织结构 | 第12-14页 |
| 2 形状描述子 | 第14-20页 |
| 2.1 射影几何 | 第14-15页 |
| 2.2 射影不变量 | 第15-17页 |
| 2.2.1 特征数 | 第16-17页 |
| 2.2.2 五点特征数 | 第17页 |
| 2.3 形状上下文 | 第17-18页 |
| 2.4 特征编码 | 第18-20页 |
| 3 基于曲率分级的形状编码及识别方法 | 第20-28页 |
| 3.1 算法流程 | 第20-21页 |
| 3.2 轮廓段提取 | 第21-22页 |
| 3.3 轮廓段特征描述 | 第22-23页 |
| 3.3.1 基于特征数的层次化上下文描述子 | 第22-23页 |
| 3.3.2 轮廓段特征描述 | 第23页 |
| 3.4 轮廓段特征编码 | 第23-25页 |
| 3.4.1 码书学习 | 第24页 |
| 3.4.2 特征编码 | 第24-25页 |
| 3.5 曲率分级及编码表示 | 第25-26页 |
| 3.6 基于SVM的形状分类 | 第26-28页 |
| 4 基于时序特征的草图识别方法 | 第28-35页 |
| 4.1 算法流程 | 第28-29页 |
| 4.2 笔画分组 | 第29-31页 |
| 4.2.1 笔画组和笔画对比 | 第29-30页 |
| 4.2.2 笔画分组策略 | 第30-31页 |
| 4.3 草图特征提取方法 | 第31页 |
| 4.4 多时序融合及草图识别 | 第31-35页 |
| 4.4.1 循环神经网络 | 第31-33页 |
| 4.4.2 草图特征获取及识别 | 第33-35页 |
| 5 实验 | 第35-50页 |
| 5.1 射影变换形状识别结果 | 第35-46页 |
| 5.1.1 实验参数设置 | 第35-40页 |
| 5.1.2 MPEG-7数据集实验结果 | 第40-41页 |
| 5.1.3 MCD数据集实验结果 | 第41-42页 |
| 5.1.4 PLD数据集实验结果 | 第42-44页 |
| 5.1.5 对噪声的鲁棒性实验 | 第44-45页 |
| 5.1.6 时间复杂度 | 第45-46页 |
| 5.2 基于时序特征的草图识别结果 | 第46-50页 |
| 5.2.1 数据增量及实验参数设置 | 第47页 |
| 5.2.2 与其它方法对比 | 第47-48页 |
| 5.2.3 联合贝叶斯的作用 | 第48-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间发表学术论文情况 | 第56-57页 |
| 致谢 | 第57-59页 |
