作 者:楊貞 著
定 價:68
出 版 社:科學技術文獻出版社
出版日期:2020年08月01日
頁 數:196
裝 幀:平裝
ISBN:9787518970032
由於圖像特征處理技術在圖像分類、目標檢測識別和顯著性計算領域的快速發展,使得計算機在真實場景中理解和分析圖像內容的能力越來越智能化。本書從圖像特征提取、圖像特征降維和圖像特征編碼技術出發,重點描述了圖像特征處理技術的構成特點,並廣泛介紹了此技術在真實場景中的應用。
●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展2
1.3內容總結與概括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協方差描述子19
2.2特征編碼19
2.2.1基於表示的分類22
2.2.2基於約束項的分類24
2.2.3局部特征編碼算法數學模型25
2.3常用的公共數據集29
2.3.1圖像分類數據集29
2.3.2顯著性目標檢測數據集29
2.3.3行人重識別數據集30
2.4總結31
第三章碼本學習與圖像分類32
3.1發展歷史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基於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基於局部性編碼和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數據集54
4.3.4Graz-02數據集55
4.3.5Horse和Plane數據集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數據集68
5.4.2PASCALVOC2007數據集70
5.5總結72
第六章基於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行人重識別繫統框架79
6.3.1行人重識別繫統框架圖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數據集87
6.4.2CAVIAR4REID數據集89
6.4.3ETHZ數據集91
6.4.4i-LIDS數據集94
6.4.5校園采集數據集95
6.5總結100
第七章目標檢測與跟蹤101
7.1傳統的目標檢測與跟蹤方法101
7.1.1傳統的目標檢測方法101
7.1.2傳統的目標跟蹤方法103
7.2基於深度學習的目標檢測與跟蹤105
7.2.1基於深度學習的目標檢測算法105
7.2.2基於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基於強監督信息的識別模型134
9.2.1Part-basedR-CNN134
9.2.2 eNormalizedCNN136
9.2.3其他強監督識別模型136
9.3基於弱監督信息的識別模型137
9.3.1網絡結構方法138
9.3.2多特征融合和損失函數優化方法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
第十一章深度神經網絡特征在實際場景中的應用154
11.1深度神經網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甲骨文識別研究現狀155
11.1.3深度卷積神經網絡在甲骨文識別上的應用156
11.1.4基於深度卷積神經網絡的甲骨文識別160
11.2基於深度特征的煙霧識別方法163
11.2.1國內外研究現狀及發展動態分析163
11.2.2煙霧視頻數據集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
由於圖像特征處理技術在圖像分類、目標檢測識別和顯著性計算領域的快速發展,使得計算機在真實場景中理解和分析圖像內容的能力越來越智能化。本書從圖像特征提取、圖像特征降維和圖像特征編碼技術出發,重點描述了圖像特征處理技術的構成特點,並廣泛介紹了此技術在真實場景中的應用。