| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第13-29页 |
| 1.1 研究的背景及意义 | 第13-15页 |
| 1.2 目标识别和检测的困难与挑战 | 第15-18页 |
| 1.2.1 速度方面 | 第15-16页 |
| 1.2.2 精度方面 | 第16-18页 |
| 1.3 当前研究的现状 | 第18-25页 |
| 1.3.1 目标识别 | 第19-22页 |
| 1.3.2 目标检测 | 第22-25页 |
| 1.4 本文研究内容与技术路线 | 第25-27页 |
| 1.5 本文组织架构 | 第27-29页 |
| 第二章 分类模型的优化研究及其在目标识别中的应用 | 第29-50页 |
| 2.1 引言 | 第29-30页 |
| 2.2 “视觉词包”模型 | 第30-31页 |
| 2.3 特征提取 | 第31-32页 |
| 2.4 分类模型 | 第32-38页 |
| 2.4.1 生成模型 | 第33-34页 |
| 2.4.2 判别模型 | 第34页 |
| 2.4.3 支持向量机 | 第34-38页 |
| 2.5 支持向量的约简 | 第38-42页 |
| 2.5.1 约简集算法 | 第39-40页 |
| 2.5.2 约简支持向量集 | 第40-42页 |
| 2.6 精简支持向量机在目标识别中的应用 | 第42-49页 |
| 2.6.1 实验设置 | 第42-43页 |
| 2.6.2 在OT-8Scenes数据集上的实验结果 | 第43-45页 |
| 2.6.3 在Caltech-101数据集上的实验结果 | 第45-46页 |
| 2.6.4 约简率与分类模型的关系 | 第46-49页 |
| 2.7 本章小结 | 第49-50页 |
| 第三章 基于空间信息的局部压缩特征在目标检测中的应用 | 第50-70页 |
| 3.1 引言 | 第50-51页 |
| 3.2 相关工作 | 第51-52页 |
| 3.3 基于空间信息的局部外观特征及特征词典构建 | 第52-55页 |
| 3.3.1 基于空间信息的局部外观特征 | 第52-53页 |
| 3.3.2 构建特征词典 | 第53-54页 |
| 3.3.3 构建特征向量 | 第54-55页 |
| 3.4 基于压缩感知的特征压缩 | 第55-57页 |
| 3.4.1 随机映射与压缩感知理论 | 第55-56页 |
| 3.4.2 稀疏随机矩阵 | 第56-57页 |
| 3.5 分类模型—AdaBoost | 第57-58页 |
| 3.6 位置估计 | 第58-60页 |
| 3.7 实验与分析 | 第60-68页 |
| 3.7.1 在飞行器数据集上的实验结果 | 第60-63页 |
| 3.7.2 在Caltech-101数据集上的实验结果 | 第63-64页 |
| 3.7.3 关于特征压缩算法的分析 | 第64-68页 |
| 3.8 本章小结 | 第68-70页 |
| 第四章 基于区域推荐的快速目标检测 | 第70-91页 |
| 4.1 引言 | 第70-71页 |
| 4.2 相关工作 | 第71-74页 |
| 4.3 基于二值规范化梯度特征的区域推荐 | 第74-77页 |
| 4.3.1 基于规范化梯度特征的似物性估计 | 第75-76页 |
| 4.3.2 二值规范化梯度特征-BING | 第76-77页 |
| 4.4 基于随机森林和分块BoW的快速编码 | 第77-83页 |
| 4.4.1 随机森林 | 第78-82页 |
| 4.4.2 基于分块BoW的特征编码 | 第82-83页 |
| 4.5 实验与分析 | 第83-89页 |
| 4.5.1 在Caltech-101数据集上的实验结果 | 第83-86页 |
| 4.5.2 在PASCALVOC2007数据集上的实验结果 | 第86-88页 |
| 4.5.3 在飞行器数据集上的实验结果 | 第88-89页 |
| 4.6 本章小结 | 第89-91页 |
| 第五章 基于级联卷积神经网络的小目标检测 | 第91-113页 |
| 5.1 引言 | 第91-92页 |
| 5.2 相关工作 | 第92-95页 |
| 5.3 卷积神经网络 | 第95-98页 |
| 5.3.1 卷积神经网络的基本结构 | 第96-98页 |
| 5.3.2 优化算法 | 第98页 |
| 5.4 本章提出的级联CNN检测框架 | 第98-102页 |
| 5.4.1 VPN的构建 | 第99-101页 |
| 5.4.2 VDN的构建 | 第101-102页 |
| 5.5 实验与分析 | 第102-111页 |
| 5.5.1 评价指标 | 第104-105页 |
| 5.5.2 在VEDAI数据集上的对比实验 | 第105-109页 |
| 5.5.3 在Munich汽车数据集上的对比实验 | 第109-111页 |
| 5.6 本章小结 | 第111-113页 |
| 第六章 总结与展望 | 第113-117页 |
| 6.1 本文总结 | 第113-115页 |
| 6.1.1 主要工作 | 第113-114页 |
| 6.1.2 特色与创新 | 第114-115页 |
| 6.2 未来展望 | 第115-117页 |
| 致谢 | 第117-118页 |
| 参考文献 | 第118-131页 |
| 攻读博士学位期间取得的成果 | 第131页 |
