基于学习的自然图像对称性目标检测
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-14页 |
| 1.1 课题研究的背景与意义 | 第7-9页 |
| 1.2 对称性目标检测领域的研究现状 | 第9-12页 |
| 1.3 本文主要工作及章节安排 | 第12-14页 |
| 1.3.1 本文的主要工作 | 第12-13页 |
| 1.3.2 本文的章节安排 | 第13-14页 |
| 2 本文相关理论知识 | 第14-23页 |
| 2.1 对称性的定义 | 第14-15页 |
| 2.2 传统对称性目标检测方法 | 第15-19页 |
| 2.2.1 基于局部特征的对称性目标检测方法 | 第15-17页 |
| 2.2.2 基于模板匹配的对称性目标检测方法 | 第17-19页 |
| 2.3 对称性目标检测的评价指标 | 第19-23页 |
| 2.3.1 对称性目标检测评价指标 | 第19-21页 |
| 2.3.2 对称性几何信息评价指标 | 第21-23页 |
| 3 基于学习的自然图像对称性目标检测 | 第23-42页 |
| 3.1 对称性数据集的建立 | 第23-26页 |
| 3.1.1 对称性目标检测数据集的建立 | 第23-25页 |
| 3.1.2 本数据集与其它对称性检测数据集的对比 | 第25-26页 |
| 3.2 基于学习的自然图像对称性目标检测方法 | 第26-35页 |
| 3.2.1 基于学习的区域提名 | 第26-27页 |
| 3.2.2 网络结构 | 第27-31页 |
| 3.2.3 损失函数 | 第31-32页 |
| 3.2.4 可视化及对称几何信息提取 | 第32-35页 |
| 3.3 实验及结果分析 | 第35-42页 |
| 3.3.1 实验细节及结果展示 | 第35-41页 |
| 3.3.2 讨论 | 第41-42页 |
| 4 基于学习的对称性目标检测网络模型有效性分析 | 第42-54页 |
| 4.1 多尺度特征组合方式的有效性分析 | 第42-45页 |
| 4.2 对称性先验的有效性分析 | 第45-48页 |
| 4.3 区域提名子网络不同参数对比分析 | 第48-51页 |
| 4.4 可视化特征融合存在问题分析 | 第51-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 本文研究工作总结 | 第54-55页 |
| 5.2 未来工作展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间软件著作权情况 | 第61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61页 |
| 攻读硕士学位期间参与项目情况 | 第61-62页 |
| 致谢 | 第62-64页 |
