无人机对地目标识别与分类
摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第11-12页 |
缩略语对照表 | 第12-16页 |
第一章 绪论 | 第16-24页 |
1.1 研究背景及意义 | 第16-17页 |
1.2 国内外研究现状 | 第17-22页 |
1.2.1 基于底层视觉特征的方法 | 第18-19页 |
1.2.2 基于视觉显著性的方法 | 第19-20页 |
1.2.3 基于深度学习的方法 | 第20-22页 |
1.3 主要研究内容及章节安排 | 第22-24页 |
第二章 多特征融合的目标识别 | 第24-42页 |
2.1 特征表示方法 | 第24-29页 |
2.1.1 全局特征 | 第24-25页 |
2.1.2 局部特征 | 第25页 |
2.1.3 HOG特征 | 第25-27页 |
2.1.4 LBP特征 | 第27-29页 |
2.2 特征提取与融合 | 第29-32页 |
2.2.1 特征降维 | 第29-30页 |
2.2.2 HOG-PCA特征提取 | 第30-31页 |
2.2.3 特征融合 | 第31-32页 |
2.3 分类器 | 第32-35页 |
2.4 本章实验 | 第35-41页 |
2.4.1 实验方案 | 第35-37页 |
2.4.2 实验结果与分析 | 第37-41页 |
2.5 本章小结 | 第41-42页 |
第三章 基于DPM的目标识别 | 第42-54页 |
3.1 特征表示 | 第42-45页 |
3.1.1 增强的HOG特征 | 第42-43页 |
3.1.2 特征维度分析 | 第43-45页 |
3.2 DPM模型简介 | 第45-47页 |
3.2.1 单一星型模型 | 第45-47页 |
3.2.2 混合模型 | 第47页 |
3.3 基于Latent SVM的模型训练 | 第47-49页 |
3.4 本章实验 | 第49-53页 |
3.4.1 实验方案 | 第49-50页 |
3.4.2 建立样本库 | 第50-51页 |
3.4.3 实验结果与分析 | 第51-53页 |
3.5 本章小结 | 第53-54页 |
第四章 显著性与PCANet结合的目标识别 | 第54-72页 |
4.1 相关基础知识 | 第54-57页 |
4.1.1 K-means聚类算法 | 第54-55页 |
4.1.2 Mean-Shift分割算法 | 第55-57页 |
4.2 显著性区域检测 | 第57-61页 |
4.2.1 AC显著性检测模型 | 第58-60页 |
4.2.2 基于AC模型的显著性物体分割 | 第60-61页 |
4.3 卷积神经网络 | 第61-64页 |
4.3.1 卷积神经网络的基本结构 | 第61-63页 |
4.3.2 卷积神经网络的工作原理 | 第63-64页 |
4.4 主成分分析网络 | 第64-66页 |
4.5 本章实验 | 第66-70页 |
4.5.1 实验方案 | 第66-68页 |
4.5.2 实验结果与分析 | 第68-70页 |
4.6 本章小结 | 第70-72页 |
第五章 场景图像的分类与标示 | 第72-86页 |
5.1 图像滤波 | 第72-73页 |
5.2 场景图像分割实现 | 第73-75页 |
5.3 图像特征提取与融合 | 第75-79页 |
5.3.1 颜色特征 | 第76页 |
5.3.2 纹理特征 | 第76-79页 |
5.3.3 特征融合 | 第79页 |
5.4 本章实验 | 第79-85页 |
5.4.1 实验方案 | 第79-81页 |
5.4.2 建立样本库 | 第81-82页 |
5.4.3 实验结果与分析 | 第82-85页 |
5.5 本章小结 | 第85-86页 |
第六章 总结与展望 | 第86-88页 |
6.1 课题总结 | 第86页 |
6.2 研究内容展望 | 第86-88页 |
参考文献 | 第88-94页 |
致谢 | 第94-96页 |
作者简介 | 第96-97页 |