掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
圖像語義分析算法與實現:基于多示例學習 版權信息
- ISBN：9787030502100
- 條形碼：9787030502100 ; 978-7-03-050210-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
圖像語義分析算法與實現:基于多示例學習 本書特色
本書以培養讀者在多示例學習（MIL）框架下實現圖像語義分析為目標，采用理論與實踐相融合的方式，詳細地介紹了MIL的基礎知識、算法原理、編程步驟與試驗結果等內容，使讀者不僅能夠掌握MIL算法的原理，而且能夠掌握MATLAB中的編程方法，培養實踐動手能力，激發學習興趣。
圖像語義分析算法與實現:基于多示例學習 內容簡介
本書以培養讀者在多示例學習 (MIL) 框架下的實現圖像語義分析為目標, 采用理論與實踐相融合的方式, 詳細地介紹了MIL的基礎知識、算法原理、編程步驟與試驗結果等內容。
圖像語義分析算法與實現:基于多示例學習 目錄
前言
第1章 緒論
1.1 圖像語義分析研究的背景
1.2 圖像語義分析研究的意義
1.3 圖像語義分析存在的問題與研究方向
1.4 本書的主要內容與創新點
1.5 本書的組織結構
參考文獻
第2章 多示例學習算法研究現狀及應用
2.1 多示例學習的起源
2.2 多示例學習與傳統機器學習的區別
2.3 多示例學習的主要概念
2.4 多示例學習的主要算法
2.4.1 軸平行矩形算法
2.4.2 多樣性密度算法
2.4.3 基于kNN的惰性多示例學習方法
2.4.4 基于支持向量機的多示例學習方法
2.4.5 半監督的MIL算法
2.4.6 其他的多示例學習算法
2.5 多示例學習的應用領域
2.5.1 基于內容的圖像檢索
2.5.2 目標識別
2.5.3 醫療圖像輔助識別
2.5.4 文本分類
2.5.5 股票預測
2.6 MIL標準測試數據集
2.6.1 Musk數據集
2.6.2 Corel 2k數據集
2.6.3 SIVAL數據集
2.7 本章小結
參考文獻
第3章 基于推土機距離的惰性多示例學習算法及應用
3.1 引言
3.2 多示例包的構造方法
3.2.1 JSEG圖像分割
3.2.2 自適應JSEG圖像分割
3.2.3 構造多示例包（特征提。
3.3 Citation-kNN算法及其不足
3.4 推土機距離
3.5 基于自適應推土機距離的MIL算法與圖像檢索
3.5.1 自適應推土機距離
3.5.2 AEMD-CkNN算法步驟
3.5.3 圖像檢索試驗結果與分析
3.6 基于區域權值調整推土機距離的MIL算法與圖像分類
3.6.1 區域權值調整推土機距離
3.6.2 EMD-CkNN算法步驟
3.6.3 圖像分類試驗結果與分析
3.7 本章小結
參考文獻
第4章 基于FSVM-MIL算法的對象圖像檢索
4.1 引言
4.2 基于模糊支持向量機的多示例學習算法
4.2.1 模糊支持向量機
4.2.2 模糊隸屬度函數
4.2.3 FSVM-MIL算法步驟
4.3 試驗結果與分析
4.3.1 試驗方法
4.3.2 試驗結果與效率分析
4.4 本章小結
參考文獻
第5章 基于QPSO-MIL算法的圖像標注
5.1 引言
5.2 基于區域的圖像標注
5.3 圖像標注問題的數學描述
5.4 圖像標注與多示例學習
5.5 QPSO-—MIL算法及步驟
5.5.1 量子粒子群優化算法
5.5.2 適應度函數設計
5.5.3 QPSO-—MIL算法步驟
5.6 試驗結果與分析
5.6.1 試驗圖像庫
5.6.2 試驗方法
5.6.3 試驗結果與分析
5.6.4 算法效率分析
5.7 本章小結
參考文獻
第6章 基于視覺空間投影的多示例學習算法與圖像檢索
6.1 引言
6.2 現有工作與不足
6.3 RSTSVM-MIL算法
6.3.1 視覺投影空間構造
6.3.2 視覺投影特征計算
6.3.3 RSTSVM-MIL算法步驟
6.4 試驗結果與分析
6.4.1 圖像庫及試驗方法
6.4.2 算法性能與K的關系
6.4.3 對比試驗及分析
6.5 本章小結
參考文獻
第7章 基于模糊潛在語義分析的多示例學習算法與圖像分類
7.1 引言
7.2 FLSA-SSMIL算法
7.2.1 建立視覺詞匯表
7.2.2 構造模糊“詞一文檔”矩陣
7.2.3 模糊潛在語義特征
7.2.4 FLSA-SSMIL算法步驟
7.3 試驗結果與分析
7.3.1 藥物活性預測
7.3.2 圖像分類試驗
7.3.3 算法效率
7.4 本章小結
參考文獻
第8章 基于多示例學習的目標跟蹤算法
8.1 引言
8.2 基于外觀模型的跟蹤算法
8.2.1 概述
8.2.2 分類
8.2.3 數據庫
8.2.4 評價標準
8.3 基于多示例學習的跟蹤算法原理
8.3.1 算法框架
8.3.2 在線多示例學習分類器
8.3.3 弱分類器構造
8.4 基于混合高斯模型和多示例學習的跟蹤算法
8.4.1 算法概述
8.4.2 包中示例特征建模
8.4.3 訓練弱分類器
8.4.4 構造強分類器
8.4.5 試驗
8.5 本章小結
參考文獻
第9章 基于多示例集成學習的色情圖像識別
9.1 研究現狀及趨勢
9.1.1 色情圖像識別研究現狀
9.1.2 色情圖像識別技術發展趨勢
9.2 基于SSP多示例建模
9.2.1 多示例建模
9.2.2 基于稀疏編碼的“元數據”提取
9.3 基于極限學習機的集成多示例學習算法
9.3.1 基于極限學習機的基分類器
9.3.2 ELMCE-MIL算法及步驟
9.4 試驗結果與分析
9.4.1 實驗圖像與方法
9.4.2 多示例建模方法對比試驗
9.4.3 試驗結果與分析
9.5 本章小結
參考文獻
第10章 多示例框架下的刑偵圖像檢索及實現
10.1 引言
10.2 基于多示例學習的刑偵圖像檢索
10.2.1 有重疊網格分塊方法
10.2.2 分塊視覺特征提取
10.2.3 基于推土機距離的多示例包相似度量
10.2.4 算法流程
10.3 MATLAB仿真程序
10.3.1 基于網格分塊構造多示例包
10.3.2 相似檢索MATLAB程序
10.3.3 使用方法
10.4 試驗結果與分析
10.5 本章小結
參考文獻
第11章 基于MIL的紅外圖像人臉識別及實現
11.1 引言
11.2 S1FT算法原理及描述子
11.2.1 關鍵點檢測
11.2.2 關鍵點描述
11.3 基于MIL的紅外人臉識別算法
11.3.1 MIL建模
11.3.2 LSA-MIL算法原理
11.4 MATLAB仿真程序
11.4.1 構造多示例包
11.4.2 計算潛在語義特征
11.4.3 訓練與識別
11.4.4 使用方法
11.5 試驗結果與分析
11.5.1 人臉庫與試驗方法
11.5.2 對比試驗及分析
11.6 本章小結
參考文獻
第12章 基于MIL的圖像分類算法及實現
12.1 引言
12.2 基于MIL的圖像分類算法原理
12.2.1 基于圖像分割構造多示例包
12.2.2 計算多示例包的投影特征
12.2.3 投影特征分析
12.2.4 有監督學習求解MIL問題
12.3 MATLAB仿真程序
12.3.1 構造多示例包MATLAB程序
12.3.2 投影特征計算MATLAB程序
12.3.3 支持向量機訓練與預測MATLAB程序
12.3.4 使用方法
12.4 試驗方法與結果
12.4.1 試驗圖像庫
12.4.2 試驗結果
12.5 本章小結
參考文獻
第13章 總結與展望
13.1 工作總結
13.2 進一步研究與展望
展開全部
書友推薦
- >
中國歷史的瞬間
- >
月亮虎
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
姑媽的寶刀
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
推拿
- >
龍榆生：詞曲概論/大家小書
- >
上帝之肋:男人的真實旅程
本類暢銷
