首页--航空、航天论文--航空论文--各类型航空器论文--无人驾驶飞机论文

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

论文共97页,点击 下载论文
上一篇:红外全向图像拼接算法研究与实现技术
下一篇:微博检索与微博推送研究