复杂环境下场景目标分类与检测方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究难点 | 第10页 |
| 1.3 国内外研究动态 | 第10-16页 |
| 1.3.1 图像分类的研究现状 | 第10-13页 |
| 1.3.2 目标检测的研究现状 | 第13-16页 |
| 1.4 论文的主要工作与章节安排 | 第16-17页 |
| 第二章 图像分类的理论基础 | 第17-32页 |
| 2.1 词袋模型基本理论 | 第17-22页 |
| 2.1.1 图像获取 | 第18-19页 |
| 2.1.2 特征提取 | 第19-20页 |
| 2.1.3 图像表示 | 第20-21页 |
| 2.1.4 图像分类 | 第21-22页 |
| 2.2 稀疏表示理论 | 第22-29页 |
| 2.2.1 稀疏表示 | 第22-24页 |
| 2.2.2 稀疏模型求解 | 第24-27页 |
| 2.2.3 字典学习 | 第27-29页 |
| 2.3 SVM分类器 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于Hessian稀疏编码的图像分类 | 第32-51页 |
| 3.1 引言 | 第32页 |
| 3.2 多尺度特征融合 | 第32-37页 |
| 3.2.1 特征融合 | 第32-35页 |
| 3.2.2 空间金字塔匹配 | 第35-37页 |
| 3.3 Hessian稀疏编码 | 第37-43页 |
| 3.3.1 Hessian稀疏编码 | 第37-40页 |
| 3.3.2 最优Hessian稀疏系数求解 | 第40-42页 |
| 3.3.3 字典学习 | 第42-43页 |
| 3.4 实验结果与分析 | 第43-50页 |
| 3.4.1 实验数据与实验设置 | 第43-44页 |
| 3.4.2 实验结果分析 | 第44-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于卷积神经网络的多目标检测 | 第51-69页 |
| 4.1 深度学习概述 | 第51-54页 |
| 4.1.1 自动编码机 | 第51-53页 |
| 4.1.2 受限玻尔兹曼机 | 第53-54页 |
| 4.2 卷积神经网络相关理论 | 第54-58页 |
| 4.2.1 卷积神经网络的构成 | 第54-57页 |
| 4.2.2 卷积神经网络的训练 | 第57-58页 |
| 4.3 基于卷积神经网的多目标检测 | 第58-64页 |
| 4.3.1 基于卷积神经网的目标检测框架 | 第58-61页 |
| 4.3.2 多目标检测的卷积神经网的实现 | 第61-64页 |
| 4.4 实验结果与分析 | 第64-68页 |
| 4.4.1 实验数据与实验设置 | 第64-65页 |
| 4.4.2 实验结果分析 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-70页 |
| 5.1 工作总结 | 第69页 |
| 5.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76-77页 |
| 附件 | 第77页 |
