形状分解和基于机器学习的图像检索技术研究
摘要 | 第1-12页 |
ABSTRACT | 第12-14页 |
第一章 绪论 | 第14-26页 |
·研究背景与意义 | 第14-16页 |
·研究现状 | 第16-22页 |
·图像特征研究现状 | 第17-19页 |
·基于机器学习的图像检索研究现状 | 第19-22页 |
·论文的主要内容和结构 | 第22-26页 |
·论文主要工作 | 第22-23页 |
·论文内容安排 | 第23-26页 |
第二章 基于最短割规则的二维形状分解 | 第26-46页 |
·引言 | 第26-28页 |
·二维形状分解问题描述 | 第28页 |
·寻找候选割 | 第28-30页 |
·分割点 | 第28-29页 |
·I型候选割 | 第29页 |
·II型候选割 | 第29-30页 |
·确定形状的割 | 第30-35页 |
·基于视觉观察的约束 | 第30-34页 |
·最短割算法 | 第34-35页 |
·形状分解 | 第35页 |
·计算复杂性分析 | 第35-37页 |
·基于心理学实验的形状分解评价方法 | 第37-40页 |
·形状分解样例分析 | 第37页 |
·基于心理学实验的形状分解评价方法 | 第37-40页 |
·实验分析与算法应用 | 第40-44页 |
·算法参数分析 | 第40-42页 |
·形状分解结果对比 | 第42-43页 |
·形状分解在手形识别中的应用 | 第43-44页 |
·本章小结 | 第44-46页 |
第三章 最大方差哈希 | 第46-60页 |
·引言 | 第46-48页 |
·最大方差哈希的目标函数 | 第48-49页 |
·列生成算法求解最大方差哈希 | 第49-52页 |
·基于锚点的最大方差哈希 | 第52-53页 |
·实验结果与分析 | 第53-58页 |
·Swiss Roll流形实验 | 第54页 |
·参数设置 | 第54-56页 |
·MNIST数据集上的实验结果 | 第56-57页 |
·CIFAR-10数据集上的实验结果 | 第57-58页 |
·本章小结 | 第58-60页 |
第四章 单一编码的多分类boosting算法 | 第60-78页 |
·引言 | 第60页 |
·支持向量机与boosting | 第60-65页 |
·支持向量机简介 | 第60-63页 |
·Boosting简介 | 第63-64页 |
·SVM与boosting的关系 | 第64-65页 |
·单一编码的多分类boosting算法 | 第65-72页 |
·多分类问题的单一编码 | 第65-67页 |
·单一编码的LS-SVM目标函数 | 第67-68页 |
·基于boosting的求解算法 | 第68-72页 |
·实验结果与分析 | 第72-76页 |
·UCI多类数据集 | 第73-74页 |
·图像数据集 | 第74-76页 |
·计算性能分析 | 第76页 |
·本章小结 | 第76-78页 |
第五章 局部混合传播算法 | 第78-97页 |
·引言 | 第78-81页 |
·混合传播方法 | 第81-83页 |
·线性组合 | 第81-82页 |
·局部线性组合 | 第82-83页 |
·从距离矩阵到相似矩阵 | 第83-84页 |
·算法流程与复杂性分析 | 第84-86页 |
·实验结果与分析 | 第86-96页 |
·图像检索实验 | 第86-94页 |
·图像聚类实验 | 第94-96页 |
·本章小结 | 第96-97页 |
第六章 自适应邻域选择算法 | 第97-114页 |
·引言 | 第97页 |
·图像流形与邻域选择 | 第97-100页 |
·图像流形 | 第97-99页 |
·邻域选择 | 第99-100页 |
·自适应邻域选择算法 | 第100-105页 |
·支配集 | 第100-102页 |
·支配邻域 | 第102-103页 |
·自适应邻域 | 第103-105页 |
·算法流程与复杂性分析 | 第105-106页 |
·实验结果与分析 | 第106-113页 |
·图像检索实验 | 第107-112页 |
·图像聚类实验 | 第112-113页 |
·本章小结 | 第113-114页 |
第七章 总结与展望 | 第114-117页 |
·论文主要工作 | 第114-115页 |
·未来工作展望 | 第115-117页 |
致谢 | 第117-119页 |
参考文献 | 第119-130页 |
作者在学期间取得的学术成果 | 第130页 |