基于深度学习的特征检测与识别
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 本文相关研究工作 | 第17-29页 |
| 2.1 梯度检测理论 | 第17-18页 |
| 2.2 基于模板检测原理 | 第18-20页 |
| 2.3 局部二值模式(LBP)原理 | 第20-21页 |
| 2.4 局部二值模式(LBP)特性 | 第21-23页 |
| 2.4.1 旋转不变性 | 第21-22页 |
| 2.4.2 尺度不变性 | 第22-23页 |
| 2.5 卷积神经网络原理 | 第23-28页 |
| 2.5.1 感知机模型 | 第23-24页 |
| 2.5.2 感知机学习策略 | 第24-25页 |
| 2.5.3 感知机学习算法 | 第25-26页 |
| 2.5.4 卷积操作 | 第26-27页 |
| 2.5.5 池化流程 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于FAST算子的LMFIIK方法 | 第29-43页 |
| 3.1 FAST算子识别 | 第29-31页 |
| 3.1.1 KD树构造 | 第29-30页 |
| 3.1.2 搜索kd树 | 第30-31页 |
| 3.2 识别方法：ID3算法 | 第31-35页 |
| 3.2.1 特征选择 | 第32页 |
| 3.2.2 决策树的生成 | 第32-33页 |
| 3.2.3 决策树的剪枝 | 第33-35页 |
| 3.3 特征检测算法 | 第35-39页 |
| 3.3.1 FAST算法缺陷 | 第35-36页 |
| 3.3.2 积分核重构FAST数据结构 | 第36-37页 |
| 3.3.3 应用LBP原理区分特征 | 第37-38页 |
| 3.3.4 局部中值滤波 | 第38-39页 |
| 3.4 实验与分析 | 第39-42页 |
| 3.4.1 算法在公共数据库的实验结果与分析 | 第39-40页 |
| 3.4.2 LMFIIK算法与其他算法对比实验 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于深度学习的特征检测与识别 | 第43-51页 |
| 4.1 卷积神经网络结构 | 第43-46页 |
| 4.1.1 局部感受野 | 第43-44页 |
| 4.1.2 权值共享 | 第44-45页 |
| 4.1.3 分类函数Softmax | 第45页 |
| 4.1.4 预防过拟合 | 第45-46页 |
| 4.2 模型构建 | 第46-48页 |
| 4.3 实验与分析 | 第48-50页 |
| 4.3.1 模型训练 | 第48-49页 |
| 4.3.2 模型应用 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 未来工作展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 作者简介及科研成果 | 第56-57页 |
| 致谢 | 第57页 |
