| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 基于视觉信息的目标识别方法研究现状 | 第13-16页 |
| 1.2.1 基于外观模型的目标识别方法研究现状 | 第13-14页 |
| 1.2.2 基于局部特征的目标识别方法研究现状 | 第14-15页 |
| 1.2.3 基于机器学习的目标识别方法研究现状 | 第15-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第2章 相关研究 | 第18-31页 |
| 2.1 目标识别模型 | 第18-22页 |
| 2.1.1 区域提取 | 第18-20页 |
| 2.1.2 目标表示 | 第20-21页 |
| 2.1.3 特征学习 | 第21-22页 |
| 2.2 支持向量机分类算法 | 第22-25页 |
| 2.2.1 线性可分SVM | 第22-23页 |
| 2.2.2 线性不可分SVM | 第23-24页 |
| 2.2.3 多分类SVM | 第24-25页 |
| 2.2.4 LIBSVM及LIBLINEAR工具 | 第25页 |
| 2.3 神经网络参数求解算法 | 第25-30页 |
| 2.3.1 反向传播算法 | 第26-28页 |
| 2.3.2 梯度下降算法 | 第28-29页 |
| 2.3.3 深度学习工具Caffe | 第29-30页 |
| 2.4 评估数据集 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于区域合并准则改进的分层选择搜索算法 | 第31-46页 |
| 3.1 初始目标区域集提取方法 | 第31-34页 |
| 3.1.1 数学模型 | 第31-33页 |
| 3.1.2 算法描述 | 第33-34页 |
| 3.2 基于区域合并准则改进的分层选择搜索算法 | 第34-38页 |
| 3.2.1 算法描述 | 第35-36页 |
| 3.2.2 算法代码框架 | 第36-38页 |
| 3.3 权值可调组合相似性度量 | 第38-41页 |
| 3.3.1 颜色纹理相似性计算 | 第38-40页 |
| 3.3.2 相似性度量层级传递 | 第40页 |
| 3.3.3 权值可调组合相似性度量 | 第40-41页 |
| 3.4 实验及结果分析 | 第41-45页 |
| 3.4.1 实验方法 | 第41-43页 |
| 3.4.2 实验结果与分析 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 一种基于改进卷积神经网络的目标识别方法 | 第46-64页 |
| 4.1 改机卷积神经网络 | 第46-52页 |
| 4.1.1 权值共享 | 第47-48页 |
| 4.1.2 卷积层 | 第48-49页 |
| 4.1.3 池化层 | 第49页 |
| 4.1.4 全连接层 | 第49-50页 |
| 4.1.5 空间金字塔池化层 | 第50-52页 |
| 4.2 基于改进卷积神经网络与分层选择搜索的目标识别方法 | 第52-57页 |
| 4.2.1 高质量低冗余区域集提取 | 第52-53页 |
| 4.2.2 不同缩放比下构建模型 | 第53-54页 |
| 4.2.3 大规模数据集上的预训练 | 第54-56页 |
| 4.2.4 特定应用中小数据集微调 | 第56-57页 |
| 4.3 实验及结果分析 | 第57-63页 |
| 4.3.1 实验方法 | 第57-59页 |
| 4.3.2 实验结果与分析 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 附录A 攻读硕士学位期间发表论文及申请专利目录 | 第71-72页 |
| 附录B 攻读硕士学位期间所参加的科研项目目录 | 第72-73页 |
| 致谢 | 第73页 |