基于脉冲耦合神经网络的视觉推断模型理论与应用研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-8页 |
| ABSTRACT | 第8-13页 |
| 1 绪论 | 第13-22页 |
| ·选题背景与意义 | 第13-15页 |
| ·国内外研究现状 | 第15-20页 |
| ·视觉问题的马尔科夫随机场模型与贝叶斯推断 | 第15-16页 |
| ·贝叶斯推断的“信任传递”求解算法 | 第16-17页 |
| ·贝叶斯推断的神经网络实现 | 第17-18页 |
| ·脉冲耦合神经网络 | 第18-19页 |
| ·立体匹配研究现状 | 第19-20页 |
| ·论文主要内容与章节安排 | 第20-22页 |
| 2 基于脉冲耦合神经网络的视觉推断模型 | 第22-48页 |
| ·引言 | 第22页 |
| ·视觉问题的贝叶斯推断方法 | 第22-29页 |
| ·马尔科夫随机场 | 第23-26页 |
| ·马尔科夫随机场上的贝叶斯推断 | 第26-27页 |
| ·信任传递方法 | 第27-29页 |
| ·神经系统的数学模型 | 第29-31页 |
| ·信任传递的神经电路实现 | 第31-43页 |
| ·神经视觉推断模型框架 | 第32页 |
| ·信任神经元 | 第32-38页 |
| ·消息神经元 | 第38-43页 |
| ·实验结果与讨论 | 第43-46页 |
| ·简单马尔科夫随机场推断结果 | 第43-45页 |
| ·模型的生物相似性 | 第45-46页 |
| ·本章小结 | 第46-48页 |
| 3 基于PCNN视觉推断模型的前景识别算法 | 第48-82页 |
| ·引言 | 第48页 |
| ·背景建模 | 第48-53页 |
| ·混合高斯模型 | 第49-50页 |
| ·核密度估计方法 | 第50-52页 |
| ·主成分分析方法 | 第52-53页 |
| ·基于马尔科夫随机场的背景模型 | 第53-59页 |
| ·似然概率模型的建立 | 第54-57页 |
| ·先验概率模型的建立 | 第57页 |
| ·参数学习与设定 | 第57-58页 |
| ·背景初始化与更新 | 第58-59页 |
| ·基于PCNN视觉推断模型的求解 | 第59-60页 |
| ·数据集实验结果 | 第60-69页 |
| ·在铁路线路异物检测中的应用 | 第69-74页 |
| ·总体结构 | 第69-70页 |
| ·基于FPGA与嵌入式系统的硬件处理平台 | 第70-72页 |
| ·基于单目视觉的异物检测 | 第72-74页 |
| ·在高速铁路护栏完整性检测中的应用 | 第74-81页 |
| ·总体结构 | 第74-76页 |
| ·护栏完整性检测 | 第76-80页 |
| ·实验结果 | 第80-81页 |
| ·本章小结 | 第81-82页 |
| 4 基于PCNN视觉推断模型的立体匹配算法 | 第82-102页 |
| ·引言 | 第82-83页 |
| ·立体匹配 | 第83-87页 |
| ·视差空间 | 第84-85页 |
| ·局部匹配算法 | 第85-86页 |
| ·全局匹配算法 | 第86-87页 |
| ·基于马尔科夫随机场的立体匹配模型 | 第87-92页 |
| ·基于ICM的似然概率 | 第88-92页 |
| ·先验概率 | 第92页 |
| ·基于视觉推断模型的求解 | 第92-94页 |
| ·数据集实验结果 | 第94-98页 |
| ·在铁路线路异物检测中的应用 | 第98-101页 |
| ·本章小结 | 第101-102页 |
| 5 总结与展望 | 第102-104页 |
| 参考文献 | 第104-111页 |
| 作者简历 | 第111-113页 |
| 学位论文数据集 | 第113页 |
