圖像特征處理技術(shù)及應(yīng)用

目錄

第一章圖像特征編碼技術(shù)概述1

11圖像特征編碼技術(shù)背景及意義1

12圖像特征編碼方法起源與發(fā)展2

13內(nèi)容總結(jié)與概括5

131圖像分類(lèi)5

132顯著性目標(biāo)檢測(cè)6

133行人重識(shí)別10

14本書(shū)主要特點(diǎn)13

第二章圖像特征提取及編碼15

21圖像特征15

211圖像局部特征15

212顏色特征17

213紋理特征18

214協(xié)方差描述子19

22特征編碼19

221基于表示的分類(lèi)22

222基于約束項(xiàng)的分類(lèi)24

223局部特征編碼算法數(shù)學(xué)模型25

23常用的公共數(shù)據(jù)集29

231圖像分類(lèi)數(shù)據(jù)集29

232顯著性目標(biāo)檢測(cè)數(shù)據(jù)集29

233行人重識(shí)別數(shù)據(jù)集30

24總結(jié)31

第三章碼本學(xué)習(xí)與圖像分類(lèi)32

31發(fā)展歷史32

32特征編碼方法34

321矢量量化34

322稀疏編碼35

323局部約束線性編碼35

324碼本學(xué)習(xí)方法36

33特征編碼和類(lèi)碼本學(xué)習(xí)37

34基于特征編碼及類(lèi)碼本學(xué)習(xí)的實(shí)驗(yàn)結(jié)果39

341Caltech101實(shí)驗(yàn)結(jié)果分析40

342Scene15和UIUC8實(shí)驗(yàn)結(jié)果43

343實(shí)驗(yàn)分析和討論46

35總結(jié)47

第四章顯著性目標(biāo)計(jì)算48

41引言48

42顯著性計(jì)算方法49

421自頂向下顯著性方法49

422特征編碼方法50

423CRF模型51

43基于局部性編碼和CRF模型的顯著性目標(biāo)計(jì)算方法51

431編碼51

432學(xué)習(xí)顯著性目標(biāo)模型52

433MSRAB數(shù)據(jù)集54

434Graz02數(shù)據(jù)集55

435Horse和Plane數(shù)據(jù)集58

44總結(jié)59

第五章背景度量和自頂向下模型60

51引言60

52顯著性目標(biāo)計(jì)算相關(guān)工作61

521背景度量方法62

522自頂向下方法63

523編碼方法63

53融合背景信息和自頂向下模型的顯著性目標(biāo)計(jì)算方法64

531魯棒背景度量顯著性計(jì)算64

532LLC和CRF顯著性目標(biāo)模型65

54顯著性目標(biāo)計(jì)算實(shí)驗(yàn)結(jié)果67

541Graz02數(shù)據(jù)集68

542PASCAL VOC 2007數(shù)據(jù)集70

55總結(jié)72

第六章基于圖像特征編碼的行人重識(shí)別73

61引言73

62行人重識(shí)別相關(guān)工作74

621行人重識(shí)別流程75

622行人重識(shí)別方法76

623特征表示模塊77

624模型學(xué)習(xí)78

63行人重識(shí)別系統(tǒng)框架79

631行人重識(shí)別系統(tǒng)框架圖79

632行人檢測(cè)80

633圖像特征提取82

634行人重識(shí)別匹配準(zhǔn)則84

64行人重識(shí)別實(shí)驗(yàn)結(jié)果85

641VIPeR數(shù)據(jù)集87

642CAVIAR4REID數(shù)據(jù)集89

643ETHZ數(shù)據(jù)集91

644i-LIDS數(shù)據(jù)集94

645校園采集數(shù)據(jù)集95

65總結(jié)100

第七章目標(biāo)檢測(cè)與跟蹤101

71傳統(tǒng)的目標(biāo)檢測(cè)與跟蹤方法101

711傳統(tǒng)的目標(biāo)檢測(cè)方法101

712傳統(tǒng)的目標(biāo)跟蹤方法103

72基于深度學(xué)習(xí)的目標(biāo)檢測(cè)與跟蹤105

721基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法105

722基于深度學(xué)習(xí)的目標(biāo)跟蹤算法107

73多種顏色特征提取109

74目標(biāo)檢測(cè)與跟蹤在實(shí)際場(chǎng)景中的應(yīng)用111

741目標(biāo)檢測(cè)在實(shí)際場(chǎng)景中的應(yīng)用112

742目標(biāo)跟蹤在實(shí)際場(chǎng)景中的應(yīng)用113

75實(shí)驗(yàn)結(jié)果分析114

76總結(jié)117

第八章視覺(jué)注意力機(jī)制119

81傳統(tǒng)視覺(jué)注意力機(jī)制119

811視覺(jué)注意力機(jī)制119

812EncoderDecoder框架原理122

813Attention模型124

82深度視覺(jué)注意力機(jī)制126

821空間域126

822通道域127

83視覺(jué)注意力機(jī)制在目標(biāo)檢測(cè)識(shí)別中的應(yīng)用128

831目標(biāo)檢測(cè)129

832缺陷檢測(cè)129

833小目標(biāo)檢測(cè)129

84總結(jié)130

第九章圖像細(xì)粒度識(shí)別131

91圖像細(xì)粒度識(shí)別技術(shù)概述131

92基于強(qiáng)監(jiān)督信息的識(shí)別模型134

921Partbased RCNN134

922Pose Normalized CNN136

923其他強(qiáng)監(jiān)督識(shí)別模型136

93基于弱監(jiān)督信息的識(shí)別模型137

931網(wǎng)絡(luò)結(jié)構(gòu)方法138

932多特征融合和損失函數(shù)優(yōu)化方法139

94目標(biāo)細(xì)粒度識(shí)別技術(shù)的應(yīng)用140

95展望142

第十章圖像分割技術(shù)143

101傳統(tǒng)圖像分割技術(shù)143

102深度學(xué)習(xí)圖像分割方法148

103圖像分割技術(shù)在實(shí)際場(chǎng)景中的應(yīng)用152

104總結(jié)153

第十一章深度神經(jīng)網(wǎng)絡(luò)特征在實(shí)際場(chǎng)景中的應(yīng)用154

111深度神經(jīng)網(wǎng)絡(luò)在甲骨文識(shí)別中的應(yīng)用154

1111甲骨文研究的重要意義及研究目的154

1112甲骨文識(shí)別研究現(xiàn)狀155

1113深度卷積神經(jīng)網(wǎng)絡(luò)在甲骨文識(shí)別上的應(yīng)用156

1114基于深度卷積神經(jīng)網(wǎng)絡(luò)的甲骨文識(shí)別160

112基于深度特征的煙霧識(shí)別方法163

1121國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展動(dòng)態(tài)分析163

1122煙霧視頻數(shù)據(jù)集171

1123煙霧識(shí)別方法171

1124檢測(cè)結(jié)果分析176

113總結(jié)177

參考文獻(xiàn)179