基于HOG和随机森林的极限学习机图像分类研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-21页 |
| 1.1 本文研究背景及意义 | 第8-9页 |
| 1.2 图像识别领域的关键技术 | 第9-16页 |
| 1.2.1 特征提取 | 第10-13页 |
| 1.2.2 分类器 | 第13-16页 |
| 1.3 国内外研究现状及主要存在问题 | 第16-19页 |
| 1.3.1 机器学习在图像识别领域的发展现状 | 第16-17页 |
| 1.3.2 极限学习机在图像识别领域的发展现状 | 第17-19页 |
| 1.4 本文主要工作及组织结构 | 第19-21页 |
| 1.4.1 主要工作 | 第19-20页 |
| 1.4.2 论文组织结构 | 第20-21页 |
| 第二章 HOG和随机森林特征抽取算法 | 第21-32页 |
| 2.1 结合图像固有特征的重要性选择算法 | 第21页 |
| 2.2 梯度方向直方图 | 第21-24页 |
| 2.3 随机森林 | 第24-30页 |
| 2.3.1 决策树 | 第24-26页 |
| 2.3.1.1 决策树简介 | 第24-26页 |
| 2.3.1.2 CART算法简介 | 第26页 |
| 2.3.2 Bagging | 第26-27页 |
| 2.3.3 随机子空间 | 第27-28页 |
| 2.3.4 随机森林用于特征提取 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 基于极限学习机的图像分类 | 第32-41页 |
| 3.1 单隐层前馈神经网络 | 第32-33页 |
| 3.2 极限学习机原理 | 第33-38页 |
| 3.2.1 极限学习机的激活函数的选择 | 第34-38页 |
| 3.2.2 极限学习机的隐层节点的选择 | 第38页 |
| 3.3 结合HOG和随机森林的极限学习机分类 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 实验结果和分析 | 第41-46页 |
| 4.1 数据集以及实验参数说明 | 第41-42页 |
| 4.2 实验环境 | 第42页 |
| 4.3 实验结果展示 | 第42-45页 |
| 4.4 结果分析 | 第45-46页 |
| 第五章 结论与展望 | 第46-48页 |
| 5.1 本文主要工作 | 第46页 |
| 5.2 未来工作展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 附录 攻读硕士学位期间发表的论文和参与的科研项目 | 第52页 |
