提高可变形部件模型检测效果的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景和研究意义 | 第11-12页 |
| 1.2 目标检测研究概况 | 第12-18页 |
| 1.3 主要工作和创新点 | 第18-19页 |
| 第二章 人工设计的特征 | 第19-47页 |
| 2.1 图像的基本特征 | 第19-23页 |
| 2.1.1 图像的颜色特征 | 第19-20页 |
| 2.1.2 图像的轮廓特征 | 第20-23页 |
| 2.2 SIFT特征 | 第23-29页 |
| 2.2.1 尺度空间的构建 | 第24-25页 |
| 2.2.2 精确定位关键点 | 第25-27页 |
| 2.2.3 关键点的方向分配 | 第27-28页 |
| 2.2.4 局部描述子的生成 | 第28-29页 |
| 2.3 HOG特征 | 第29-33页 |
| 2.3.1 HOG特征描述子的简介 | 第29-30页 |
| 2.3.2 Gamma和色彩归一化 | 第30页 |
| 2.3.3 梯度计算 | 第30页 |
| 2.3.4 空间方向的划分 | 第30-31页 |
| 2.3.5 重叠块直方图归一化 | 第31-33页 |
| 2.4 LBP特征 | 第33-34页 |
| 2.5 图像基本特征和人工特征的提取实验 | 第34-45页 |
| 2.5.1 图像的基本特征实验 | 第34-42页 |
| 2.5.2 人工设计特征的实验 | 第42-45页 |
| 2.6 小结 | 第45-47页 |
| 第三章 目标检测 | 第47-63页 |
| 3.1 可变形部件模型(DPM)方法 | 第47-54页 |
| 3.1.1 模型 | 第48-50页 |
| 3.1.2 匹配 | 第50-52页 |
| 3.1.3 混合模型 | 第52页 |
| 3.1.4 模型的训练 | 第52-54页 |
| 3.2 可变形部件模型的检测实验 | 第54-61页 |
| 3.3 小结 | 第61-63页 |
| 第四章 深度学习 | 第63-75页 |
| 4.1 深度学习 | 第63-69页 |
| 4.1.1 广义深度模型 | 第63-66页 |
| 4.1.2 深度神经网络 | 第66-69页 |
| 4.2 深度特征提取实验 | 第69-74页 |
| 4.3 小结 | 第74-75页 |
| 第五章 提高可变形部件模型的检测效果的研究 | 第75-87页 |
| 5.1 基于混合特征的可变形部件模型 | 第75-78页 |
| 5.1.1 混合特征 | 第75-77页 |
| 5.1.2 自适应最优权重分配系统 | 第77-78页 |
| 5.1.3 基于混合特征的可变形部件模型方法 | 第78页 |
| 5.2 平行深度网络 | 第78-87页 |
| 5.2.1 算法的流程以及平行深度网络的结构 | 第79-81页 |
| 5.2.2 卷积神经网络的构建 | 第81-82页 |
| 5.2.3 联合深度玻尔兹曼机(JDBM) | 第82-83页 |
| 5.2.4 多层闸门玻尔兹曼机(MLGBM) | 第83-84页 |
| 5.2.5 顶层严格玻尔兹曼机(TRBM) | 第84-85页 |
| 5.2.6 后传播精调参数过程 | 第85-87页 |
| 第六章 实验结果与分析 | 第87-95页 |
| 6.1 齿轮检测实验 | 第87-90页 |
| 6.1.1 数据集的建立 | 第87-89页 |
| 6.1.2 齿轮数据集上的检测实验 | 第89-90页 |
| 6.2 无约束场景的行人目标检测 | 第90-93页 |
| 6.2.1 输入数据的准备 | 第90-91页 |
| 6.2.2 预训练 | 第91页 |
| 6.2.3 ETH数据集上的实验结果 | 第91页 |
| 6.2.4 Caltech数据集上的实验结果 | 第91-93页 |
| 6.3 小结 | 第93-95页 |
| 第七章 总结和展望 | 第95-97页 |
| 7.1 结论 | 第95页 |
| 7.2 展望 | 第95-97页 |
| 致谢 | 第97-99页 |
| 参考文献 | 第99-105页 |
| 附录: 攻读硕士期间发表论文情况 | 第105页 |
| 参与国家自然科学基金项目 | 第105页 |
