首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

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

论文共130页,点击 下载论文
上一篇:图分割算法及其在大规模数值并行计算中的应用研究
下一篇:破碎的图形建模与绘制技术研究