基于机器学习的扫视路径估计方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究的背景及意义 | 第14-15页 |
| 1.2 扫视路径的研究现状 | 第15-17页 |
| 1.3 本文主要工作 | 第17-20页 |
| 第二章 相关知识介绍 | 第20-34页 |
| 2.1 图像扫视路径的相关介绍 | 第20-23页 |
| 2.1.1 扫视路径的定义 | 第20页 |
| 2.1.2 扫视路径的研究历程概述 | 第20-23页 |
| 2.2 卷积神经网络介绍 | 第23-26页 |
| 2.2.1 卷积神经网络的定义 | 第23-25页 |
| 2.2.2 卷积神经网络的训练过程 | 第25-26页 |
| 2.2.3 卷积神经网络的应用场景 | 第26页 |
| 2.3 LSTM网络介绍 | 第26-32页 |
| 2.3.1 LSTM网络的定义 | 第26-27页 |
| 2.3.2 LSTM网络的训练过程 | 第27-31页 |
| 2.3.3 LSTM网络在序列检测上的应用 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第三章 基于LSTM的扫视路径预测 | 第34-48页 |
| 3.1 构建编码网络 | 第35-38页 |
| 3.1.1 获得图像的特征表示 | 第35-36页 |
| 3.1.2 获得坐标的向量表示 | 第36-38页 |
| 3.2 构建解码网络 | 第38-41页 |
| 3.2.1 构建LSTM网络 | 第38-39页 |
| 3.2.2 处理LSTM网络输出 | 第39-40页 |
| 3.2.3 训练LSTM网络 | 第40-41页 |
| 3.3 对图像进行扫视路径预测 | 第41-45页 |
| 3.3.1 引入注意机制 | 第41-43页 |
| 3.3.2 获得训练样本 | 第43-44页 |
| 3.3.3 对图像进行扫视路径估计 | 第44-45页 |
| 3.4 本章小结 | 第45-48页 |
| 第四章 实验设计与数据分析 | 第48-64页 |
| 4.1 实验数据库介绍 | 第48-49页 |
| 4.2 实验框架及评价方式 | 第49-52页 |
| 4.2.1 实验框架 | 第49-51页 |
| 4.2.2 实验评价方式 | 第51-52页 |
| 4.3 研究过程及分析 | 第52-62页 |
| 4.3.1 实验设计及过程 | 第52-54页 |
| 4.3.2 模型结果评估 | 第54-62页 |
| 4.4 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 全文总结 | 第64-65页 |
| 5.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |
