图像分类中基于显著关系的改进特征编码与池化算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究目的及意义 | 第13-14页 |
| 1.3 图像分类的研究现状 | 第14-15页 |
| 1.4 特征编码的应用技术 | 第15-20页 |
| 1.4.1 HOG算法 | 第15-16页 |
| 1.4.2 SIFT算法 | 第16-20页 |
| 1.5 本文整体框架 | 第20页 |
| 1.6 本文的章节安排 | 第20-22页 |
| 第2章 本文中关键技术的介绍 | 第22-33页 |
| 2.1 显著度研究 | 第22-27页 |
| 2.2 特征编码算法研究 | 第27-30页 |
| 2.3 计算显著向量 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 局部显著相似性约束编码 | 第33-44页 |
| 3.1 显著相似kNN算法 | 第33-36页 |
| 3.1.1 kNN算法简介 | 第33-34页 |
| 3.1.2 显著相似kNN算法 | 第34-36页 |
| 3.2 显著相似性编码过程 | 第36-37页 |
| 3.3 实验与分析 | 第37-43页 |
| 3.3.1 实验环境与实验设置 | 第37-38页 |
| 3.3.2 UIUC8-sports图像集 | 第38-39页 |
| 3.3.3 Scene-15 图像集 | 第39页 |
| 3.3.4 Caltech101图像集 | 第39-40页 |
| 3.3.5 Caltech256图像集 | 第40-41页 |
| 3.3.6 参数k的选择 | 第41-42页 |
| 3.3.7 码本大小的选择 | 第42-43页 |
| 3.4 本章总结 | 第43-44页 |
| 第4章 显著最大池化算法 | 第44-52页 |
| 4.1 池化方法比较 | 第44-45页 |
| 4.2 支持向量机 | 第45-47页 |
| 4.3 显著最大池 | 第47-48页 |
| 4.4 图像分类结果的比较 | 第48-51页 |
| 4.4.1 Caltech101图像集实验分析 | 第49页 |
| 4.4.2 Scene-15 图像集实验分析 | 第49-50页 |
| 4.4.3 Caltech256图像集实验分析 | 第50页 |
| 4.4.4 结合局部显著相似性约束编码的实验结果 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 全文工作总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 作者简介及在学期间所取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |
