圖像特征處理技術及應用

目錄

第一章圖像特征編碼技術概述1

11圖像特征編碼技術背景及意義1

12圖像特征編碼方法起源與發(fā)展2

13內(nèi)容總結與概括5

131圖像分類5

132顯著性目標檢測6

133行人重識別10

14本書主要特點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22

222基于約束項的分類24

223局部特征編碼算法數(shù)學模型25

23常用的公共數(shù)據(jù)集29

231圖像分類數(shù)據(jù)集29

232顯著性目標檢測數(shù)據(jù)集29

233行人重識別數(shù)據(jù)集30

24總結31

第三章碼本學習與圖像分類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碼本學習方法36

33特征編碼和類碼本學習37

34基于特征編碼及類碼本學習的實驗結果39

341Caltech101實驗結果分析40

342Scene15和UIUC8實驗結果43

343實驗分析和討論46

35總結47

第四章顯著性目標計算48

41引言48

42顯著性計算方法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模型的顯著性目標計算方法51

431編碼51

432學習顯著性目標模型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顯著性目標計算相關工作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計算方法64

531魯棒背景度量顯著性計算64

532LLC和CRF顯著性目標模型65

54顯著性目標計算實驗結果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72

第六章基于圖像特征編碼的行人重識別73

61引言73

62行人重識別相關工作74

621行人重識別流程75

622行人重識別方法76

623特征表示模塊77

624模型學習78

63行人重識別系統(tǒng)框架79

631行人重識別系統(tǒng)框架圖79

632行人檢測80

633圖像特征提取82

634行人重識別匹配準則84

64行人重識別實驗結果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100

第七章目標檢測與跟蹤101

71傳統(tǒng)的目標檢測與跟蹤方法101

711傳統(tǒng)的目標檢測方法101

712傳統(tǒng)的目標跟蹤方法103

72基于深度學習的目標檢測與跟蹤105

721基于深度學習的目標檢測算法105

722基于深度學習的目標跟蹤算法107

73多種顏色特征提取109

74目標檢測與跟蹤在實際場景中的應用111

741目標檢測在實際場景中的應用112

742目標跟蹤在實際場景中的應用113

75實驗結果分析114

76總結117

第八章視覺注意力機制119

81傳統(tǒng)視覺注意力機制119

811視覺注意力機制119

812EncoderDecoder框架原理122

813Attention模型124

82深度視覺注意力機制126

821空間域126

822通道域127

83視覺注意力機制在目標檢測識別中的應用128

831目標檢測129

832缺陷檢測129

833小目標檢測129

84總結130

第九章圖像細粒度識別131

91圖像細粒度識別技術概述131

92基于強監(jiān)督信息的識別模型134

921Partbased RCNN134

922Pose Normalized CNN136

923其他強監(jiān)督識別模型136

93基于弱監(jiān)督信息的識別模型137

931網(wǎng)絡結構方法138

932多特征融合和損失函數(shù)優(yōu)化方法139

94目標細粒度識別技術的應用140

95展望142

第十章圖像分割技術143

101傳統(tǒng)圖像分割技術143

102深度學習圖像分割方法148

103圖像分割技術在實際場景中的應用152

104總結153

第十一章深度神經(jīng)網(wǎng)絡特征在實際場景中的應用154

111深度神經(jīng)網(wǎng)絡在甲骨文識別中的應用154

1111甲骨文研究的重要意義及研究目的154

1112甲骨文識別研究現(xiàn)狀155

1113深度卷積神經(jīng)網(wǎng)絡在甲骨文識別上的應用156

1114基于深度卷積神經(jīng)網(wǎng)絡的甲骨文識別160

112基于深度特征的煙霧識別方法163

1121國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)分析163

1122煙霧視頻數(shù)據(jù)集171

1123煙霧識別方法171

1124檢測結果分析176

113總結177

參考文獻179