基于局部特征和概率图模型的图像分类识别方法研究
| 提要 | 第1-7页 |
| 第一章 导论 | 第7-12页 |
| ·问题综述 | 第7-8页 |
| ·研究动机 | 第8-9页 |
| ·难点 | 第9-10页 |
| ·主要内容 | 第10-11页 |
| ·本文组织 | 第11-12页 |
| 第二章 对象分类识别中的问题 | 第12-20页 |
| ·识别 | 第12-13页 |
| ·学习 | 第13-15页 |
| ·表示 | 第15-20页 |
| 第三章 特征提取方法 | 第20-31页 |
| ·检测器 | 第20-27页 |
| ·使用一阶导数 | 第22-23页 |
| ·使用二阶导数 | 第23-24页 |
| ·不使用导数 | 第24-26页 |
| ·仿射协变检测器 | 第26页 |
| ·检测器的性能 | 第26-27页 |
| ·描述符 | 第27-31页 |
| ·灰度值 | 第28-29页 |
| ·图像矩 | 第29页 |
| ·不变矩 | 第29页 |
| ·滤波器 | 第29-30页 |
| ·SIFT | 第30-31页 |
| 第四章 概率图模型 | 第31-43页 |
| ·引言 | 第31-32页 |
| ·表示方法 | 第32-35页 |
| ·概率推理算法 | 第35-39页 |
| ·参数学习 | 第39-43页 |
| ·全部数据的ML学习 | 第40页 |
| ·隐藏变量的ML学习 | 第40-43页 |
| 第五章 概率潜在语义分析方法及其改进 | 第43-60页 |
| ·“bag-of-keypoints”模型 | 第43-44页 |
| ·概率潜在语义分析 | 第44-49页 |
| ·文本分类的pLSA | 第45-47页 |
| ·图像分类的pLSA | 第47-49页 |
| ·LSR-pLSA模型 | 第49-56页 |
| ·pLSA的缺陷 | 第49-50页 |
| ·局部空间关系 | 第50-52页 |
| ·模型结构 | 第52-55页 |
| ·实现细节 | 第55-56页 |
| ·实验结果 | 第56-60页 |
| ·图像数据 | 第56页 |
| ·物体―背景分类 | 第56-57页 |
| ·多类分类 | 第57页 |
| ·同概率的不同种类图像分类 | 第57-58页 |
| ·多种图像尺寸的图像分类 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| ·本文工作总结 | 第60-61页 |
| ·未来工作展望 | 第61-62页 |
| 参考文献 | 第62-69页 |
| 摘要 | 第69-72页 |
| Abstract | 第72-76页 |
| 致谢 | 第76-77页 |
| 导师及作者简介 | 第77页 |
