| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 插图清单 | 第13-16页 |
| 第一章 绪论 | 第16-32页 |
| ·研究背景及研究意义 | 第16-17页 |
| ·研究现状及发展趋势 | 第17-20页 |
| ·研究的相关内容 | 第20-28页 |
| ·视觉特征的降维 | 第20-21页 |
| ·分类和识别策略 | 第21-25页 |
| ·常用数据库介绍 | 第25-28页 |
| ·主要工作与结构安排 | 第28-32页 |
| ·主要工作 | 第28-30页 |
| ·结构安排 | 第30-32页 |
| 第二章 视觉基本特征的研究 | 第32-50页 |
| ·颜色特征 | 第32-36页 |
| ·颜色空间 | 第32-35页 |
| ·颜色直方图特征 | 第35-36页 |
| ·纹理特征 | 第36-45页 |
| ·方向梯度直方图特征 | 第37-39页 |
| ·局部二进制模式 | 第39-43页 |
| ·脱机手写汉字梯度特征 | 第43-45页 |
| ·局部特征 | 第45-49页 |
| ·Harris 角点特征 | 第45-48页 |
| ·SIFT 特征 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 视觉特征表达方法的研究 | 第50-76页 |
| ·常用的特征表达方法 | 第50-57页 |
| ·词袋模型 | 第50-53页 |
| ·空间金字塔匹配 | 第53-54页 |
| ·基于稀疏编码的空间金字塔匹配 | 第54-55页 |
| ·局部约束线性编码 | 第55-57页 |
| ·自然场景图像分类实验结果 | 第57-58页 |
| ·基于特征表达的 Kinect 图像分类研究 | 第58-63页 |
| ·基于 LLC 编码的 Kinect 图像特征表达 | 第59页 |
| ·Kinect 图像场景分类 | 第59-61页 |
| ·Kinect 图像目标分类 | 第61-63页 |
| ·基于特征表达的行人重识别研究 | 第63-75页 |
| ·行人重识别特征对比研究 | 第66-70页 |
| ·目标中心编码外观模型 | 第70-75页 |
| ·本章小结 | 第75-76页 |
| 第四章 基于单层网络的视觉特征学习 | 第76-96页 |
| ·基于单层网络的特征学习介绍 | 第77-80页 |
| ·图像分块和预处理 | 第78-79页 |
| ·特征映射学习 | 第79页 |
| ·图像卷积特征提取 | 第79-80页 |
| ·常用的单层网络的特征学习结构 | 第80-90页 |
| ·基于改进的 K-means 特征学习 | 第80-81页 |
| ·受限玻尔兹曼机 | 第81-84页 |
| ·自动编码机 | 第84-86页 |
| ·稀疏滤波 | 第86-87页 |
| ·特征学习对比实验 | 第87-90页 |
| ·基于正则化稀疏滤波的特征学习 | 第90-95页 |
| ·正则化稀疏滤波 | 第90-91页 |
| ·实验结果及分析 | 第91-95页 |
| ·本章小结 | 第95-96页 |
| 第五章 基于深度结构的视觉特征学习 | 第96-110页 |
| ·深度学习介绍 | 第96-97页 |
| ·基本的深度学习结构 | 第97-103页 |
| ·深度置信网 | 第97-100页 |
| ·层叠自动编码机 | 第100页 |
| ·卷积神经网 | 第100-102页 |
| ·基于深度结构的特征学习对比实验 | 第102-103页 |
| ·基于卷积神经网的相似手写汉字特征学习 | 第103-109页 |
| ·相似手写汉字特征学习 | 第103-104页 |
| ·基于卷积神经网的相似手写汉字特征学习系统结构 | 第104-106页 |
| ·实验结果及分析 | 第106-109页 |
| ·本章小结 | 第109-110页 |
| 结论 | 第110-114页 |
| 参考文献 | 第114-130页 |
| 攻读博士学位期间取得的研究成果 | 第130-132页 |
| 致谢 | 第132-133页 |
| 附件 | 第133页 |