| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的及意义 | 第12-13页 |
| 1.3 国内外研究现状及进展 | 第13-16页 |
| 1.4 本文的主要研究内容及组织结构 | 第16-19页 |
| 1.4.1 本文主要研究内容 | 第16-17页 |
| 1.4.2 本文的组织结构 | 第17-19页 |
| 第2章 预备知识 | 第19-31页 |
| 2.1 概率无向图模型 | 第19-21页 |
| 2.1.1 概率无向图模型定义 | 第20页 |
| 2.1.2 概率无向图模型因子分解 | 第20-21页 |
| 2.2 条件随机场模型 | 第21-25页 |
| 2.2.1 条件随机场的定义 | 第22-23页 |
| 2.2.2 势函数选取 | 第23-24页 |
| 2.2.3 条件随机场参数估计算法 | 第24-25页 |
| 2.2.4 条件随机场推断算法 | 第25页 |
| 2.3 ELM算法简介 | 第25-29页 |
| 2.3.1 ELM算法结构 | 第26-27页 |
| 2.3.2 最小范数最小二乘法求解ELM | 第27-29页 |
| 2.4 环状置信传播 | 第29-30页 |
| 2.4.1 环状置信传播算法简介 | 第29-30页 |
| 2.4.2 环状置信传播算法 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于ELM的场景理解 | 第31-43页 |
| 3.1 ELM训练离线学习 | 第32-36页 |
| 3.1.1 训练样本选取 | 第32页 |
| 3.1.2 训练样本的特征提取 | 第32-34页 |
| 3.1.3 训练样本的特征选择 | 第34-36页 |
| 3.1.4 分类器设计 | 第36页 |
| 3.2 ELM方法对图像进行标注识别过程 | 第36-37页 |
| 3.3 实验结果分析 | 第37-41页 |
| 3.3.1 数据集 | 第37页 |
| 3.3.2 评估方法 | 第37页 |
| 3.3.3 对比试验方法 | 第37-38页 |
| 3.3.4 实验结果 | 第38-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第4章 基于条件随机场的场景理解 | 第43-55页 |
| 4.1 基于条件随机场的特征模型建立 | 第43-47页 |
| 4.1.1 梯度特征势函数 | 第44页 |
| 4.1.2 位置特征势函数 | 第44-45页 |
| 4.1.3 前帧后帧关系特征势函数 | 第45-46页 |
| 4.1.4 边缘特征势函数 | 第46-47页 |
| 4.2 条件随机场模型的训练 | 第47-49页 |
| 4.2.1 牛顿算法 | 第47页 |
| 4.2.2 拟牛顿算法 | 第47-48页 |
| 4.2.3 拟牛顿算法对条件随机场模型参数学习 | 第48-49页 |
| 4.3 条件随机场模型的推断 | 第49-51页 |
| 4.3.1 环状置信传播算法对条件随机场模型推断 | 第50页 |
| 4.3.2 环状置信传播算法对条件随机场模型推断流程 | 第50-51页 |
| 4.4 实验结果分析 | 第51-53页 |
| 4.4.1 数据集 | 第51页 |
| 4.4.2 评估方法 | 第51页 |
| 4.4.3 实验结果 | 第51-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 本文工作总结 | 第55页 |
| 5.2 未来工作及展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61页 |