| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 场景理解的应用 | 第11-12页 |
| 1.3 研究现状与发展趋势 | 第12-13页 |
| 1.4 本论文的主要研究内容和安排 | 第13-17页 |
| 1.4.1 论文的研究思路 | 第13-14页 |
| 1.4.2 研究内容和目标 | 第14-15页 |
| 1.4.3 论文的研究方法 | 第15页 |
| 1.4.4 论文的组织结构 | 第15-17页 |
| 2 利用物体信息提升对场景的理解 | 第17-24页 |
| 2.1 提取图像中的物体信息 | 第17-19页 |
| 2.1.1 物体信息的特征提取 | 第17-18页 |
| 2.1.2 基于模型的物体识别方法 | 第18-19页 |
| 2.2 图像中场景与物体间的关系 | 第19-23页 |
| 2.2.1 以场景为物体的上下文信息 | 第19-21页 |
| 2.2.2 提取图像的高层语义信息 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 基于物体检测的图像表征方法研究 | 第24-36页 |
| 3.1 物体探子的训练 | 第24-30页 |
| 3.1.1 图像中物体特征的提取 | 第24-26页 |
| 3.1.2 隐支持向量机 | 第26-28页 |
| 3.1.3 Part-based模型与可变形模板 | 第28-30页 |
| 3.2 基于物体信息的图像表达 | 第30-35页 |
| 3.2.1 以物体为特征的图像表达方法 | 第30-32页 |
| 3.2.2 Object Bank实现的细节 | 第32-33页 |
| 3.2.3 提供充足的语义信息 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 基于Object Bank的场景预测研究 | 第36-56页 |
| 4.1 计算未知物体与已知物体相似度 | 第37-41页 |
| 4.1.1 检测图像中的已知物体 | 第37-38页 |
| 4.1.2 Sigmoid函数映射 | 第38-39页 |
| 4.1.3 检测图像中的未知物体 | 第39-41页 |
| 4.2 评价探子的检测能力 | 第41-44页 |
| 4.2.1 信息熵 | 第41-42页 |
| 4.2.2 改进的信息熵 | 第42-44页 |
| 4.3 探子集的选择 | 第44-46页 |
| 4.3.1 采用轮盘赌算法进行探子选择 | 第44-45页 |
| 4.3.2 针对给定场景的平均分配 | 第45-46页 |
| 4.4 建立已知物体与场景的关联 | 第46-49页 |
| 4.4.1 知物体出现在场景中的概率 | 第46-48页 |
| 4.4.2 场景图片数量对已知物体和场景关联的影响 | 第48-49页 |
| 4.5 预测未知物体可能出现的场景 | 第49-50页 |
| 4.6 实验结果分析 | 第50-55页 |
| 4.6.1 预测结果判断依据 | 第50-51页 |
| 4.6.2 预测结果判断方法 | 第51-52页 |
| 4.6.3 不同探子集的实验结果 | 第52-54页 |
| 4.6.4 与其他场景预测方法的比较 | 第54-55页 |
| 4.7 本章小结 | 第55-56页 |
| 5 预测未知物体在场景图像中的位置研究 | 第56-63页 |
| 5.1 基于物体探子响应的位置信息获取 | 第56-58页 |
| 5.1.1 响应尺度的选择 | 第56-57页 |
| 5.1.2 物体出现在场景图像中的先验概率 | 第57-58页 |
| 5.2 基于高斯混合模型的物体位置预测 | 第58-61页 |
| 5.2.1 高斯混合模型的定义 | 第58-59页 |
| 5.2.2 GMM对响应图的描述 | 第59-60页 |
| 5.2.3 采用EM算法对模型参数的估计 | 第60-61页 |
| 5.3 实验结果分析 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者简历 | 第68-70页 |
| 学位论文数据集 | 第70页 |