基于随机森林和SVM的食物图像识别的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究意义与背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 图像识别的主要方法 | 第14-21页 |
| 1.3.1 句法模式识别 | 第14-16页 |
| 1.3.2 统计模式识别 | 第16-20页 |
| 1.3.3 模糊模式识别 | 第20页 |
| 1.3.4 神经网络模式识别 | 第20-21页 |
| 1.4 文章研究内容及章节安排 | 第21-22页 |
| 2 随机森林的发展与理论基础 | 第22-36页 |
| 2.1 随机森林的发展 | 第22-24页 |
| 2.1.1 集成学习方法 | 第22页 |
| 2.1.2 随机森林的完善与延伸 | 第22-24页 |
| 2.2 随机森林的基分类器一一决策树 | 第24-32页 |
| 2.2.1 决策树概述 | 第25-28页 |
| 2.2.2 决策树生成过程中的节点分裂算法 | 第28-32页 |
| 2.2.3 决策树分类中存在的问题 | 第32页 |
| 2.3 随机森林的构建过程 | 第32-36页 |
| 2.3.1 为每棵决策树抽样产生训练集 | 第33页 |
| 2.3.2 构建每棵决策树 | 第33-34页 |
| 2.3.3 森林的形成及算法的执行 | 第34-36页 |
| 3 SVM理论概述 | 第36-40页 |
| 3.1 支持向量机 | 第36-38页 |
| 3.2 SVM的特点与不足 | 第38-40页 |
| 3.2.1 SVM的特点 | 第38-39页 |
| 3.2.2 SVM的不足 | 第39-40页 |
| 4 基于随机森林的食物图像识别 | 第40-54页 |
| 4.1 食物图像识别研究现状 | 第40-42页 |
| 4.2 图像预处理 | 第42-45页 |
| 4.2.1 图像数据库选取 | 第42页 |
| 4.2.2 超像素图像分割 | 第42-45页 |
| 4.3 基于随机森林的特征构建挖掘 | 第45-50页 |
| 4.3.1 候选构建生成 | 第45-46页 |
| 4.3.2 挖掘差别性构件 | 第46-50页 |
| 4.3.3 训练构建模型 | 第50页 |
| 4.4 利用SVM训练 | 第50-51页 |
| 4.5 实验结果与分析 | 第51-54页 |
| 4.5.1 实验结果 | 第51-53页 |
| 4.5.2 实验分析 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 作者简介及读研期间主要科研成果 | 第62页 |
