目錄
 第一章圖像特征編碼技術(shù)概述1
 11圖像特征編碼技術(shù)背景及意義1
 12圖像特征編碼方法起源與發(fā)展2
 13內(nèi)容總結(jié)與概括5
 131圖像分類5
 132顯著性目標(biāo)檢測6
 133行人重識別10
 14本書主要特點(diǎn)13
 第二章圖像特征提取及編碼15
 21圖像特征15
 211圖像局部特征15
 212顏色特征17
 213紋理特征18
 214協(xié)方差描述子19
 22特征編碼19
 221基于表示的分類22
 222基于約束項(xiàng)的分類24
 223局部特征編碼算法數(shù)學(xué)模型25
 23常用的公共數(shù)據(jù)集29
 231圖像分類數(shù)據(jù)集29
 232顯著性目標(biāo)檢測數(shù)據(jù)集29
 233行人重識別數(shù)據(jù)集30
 24總結(jié)31
 第三章碼本學(xué)習(xí)與圖像分類32
 31發(fā)展歷史32
 32特征編碼方法34
 321矢量量化34
 322稀疏編碼35
 323局部約束線性編碼35
 324碼本學(xué)習(xí)方法36
 33特征編碼和類碼本學(xué)習(xí)37
 34基于特征編碼及類碼本學(xué)習(xí)的實(shí)驗(yàn)結(jié)果39
 341Caltech101實(shí)驗(yàn)結(jié)果分析40
 342Scene15和UIUC8實(shí)驗(yàn)結(jié)果43
 343實(shí)驗(yàn)分析和討論46
 35總結(jié)47
 第四章顯著性目標(biāo)計(jì)算48
 41引言48
 42顯著性計(jì)算方法49
 421自頂向下顯著性方法49
 422特征編碼方法50
 423CRF模型51
 43基于局部性編碼和CRF模型的顯著性目標(biāo)計(jì)算方法51
 431編碼51
 432學(xué)習(xí)顯著性目標(biāo)模型52
 433MSRAB數(shù)據(jù)集54
 434Graz02數(shù)據(jù)集55
 435Horse和Plane數(shù)據(jù)集58
 44總結(jié)59
 第五章背景度量和自頂向下模型60
 51引言60
 52顯著性目標(biāo)計(jì)算相關(guān)工作61
 521背景度量方法62
 522自頂向下方法63
 523編碼方法63
 53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
 531魯棒背景度量顯著性計(jì)算64
 532LLC和CRF顯著性目標(biāo)模型65
 54顯著性目標(biāo)計(jì)算實(shí)驗(yàn)結(jié)果67
 541Graz02數(shù)據(jù)集68
 542PASCAL VOC 2007數(shù)據(jù)集70
 55總結(jié)72
 第六章基于圖像特征編碼的行人重識別73
 61引言73
 62行人重識別相關(guān)工作74
 621行人重識別流程75
 622行人重識別方法76
 623特征表示模塊77
 624模型學(xué)習(xí)78
 63行人重識別系統(tǒng)框架79
 631行人重識別系統(tǒng)框架圖79
 632行人檢測80
 633圖像特征提取82
 634行人重識別匹配準(zhǔn)則84
 64行人重識別實(shí)驗(yàn)結(jié)果85
 641VIPeR數(shù)據(jù)集87
 642CAVIAR4REID數(shù)據(jù)集89
 643ETHZ數(shù)據(jù)集91
 644i-LIDS數(shù)據(jù)集94
 645校園采集數(shù)據(jù)集95
 65總結(jié)100
 第七章目標(biāo)檢測與跟蹤101
 71傳統(tǒng)的目標(biāo)檢測與跟蹤方法101
 711傳統(tǒng)的目標(biāo)檢測方法101
 712傳統(tǒng)的目標(biāo)跟蹤方法103
 72基于深度學(xué)習(xí)的目標(biāo)檢測與跟蹤105
 721基于深度學(xué)習(xí)的目標(biāo)檢測算法105
 722基于深度學(xué)習(xí)的目標(biāo)跟蹤算法107
 73多種顏色特征提取109
 74目標(biāo)檢測與跟蹤在實(shí)際場景中的應(yīng)用111
 741目標(biāo)檢測在實(shí)際場景中的應(yīng)用112
 742目標(biāo)跟蹤在實(shí)際場景中的應(yīng)用113
 75實(shí)驗(yàn)結(jié)果分析114
 76總結(jié)117
 第八章視覺注意力機(jī)制119
 81傳統(tǒng)視覺注意力機(jī)制119
 811視覺注意力機(jī)制119
 812EncoderDecoder框架原理122
 813Attention模型124
 82深度視覺注意力機(jī)制126
 821空間域126
 822通道域127
 83視覺注意力機(jī)制在目標(biāo)檢測識別中的應(yīng)用128
 831目標(biāo)檢測129
 832缺陷檢測129
 833小目標(biāo)檢測129
 84總結(jié)130
 第九章圖像細(xì)粒度識別131
 91圖像細(xì)粒度識別技術(shù)概述131
 92基于強(qiáng)監(jiān)督信息的識別模型134
 921Partbased RCNN134
 922Pose Normalized CNN136
 923其他強(qiáng)監(jiān)督識別模型136
 93基于弱監(jiān)督信息的識別模型137
 931網(wǎng)絡(luò)結(jié)構(gòu)方法138
 932多特征融合和損失函數(shù)優(yōu)化方法139
 94目標(biāo)細(xì)粒度識別技術(shù)的應(yīng)用140
 95展望142
 第十章圖像分割技術(shù)143
 101傳統(tǒng)圖像分割技術(shù)143
 102深度學(xué)習(xí)圖像分割方法148
 103圖像分割技術(shù)在實(shí)際場景中的應(yīng)用152
 104總結(jié)153
 第十一章深度神經(jīng)網(wǎng)絡(luò)特征在實(shí)際場景中的應(yīng)用154
 111深度神經(jīng)網(wǎng)絡(luò)在甲骨文識別中的應(yīng)用154
 1111甲骨文研究的重要意義及研究目的154
 1112甲骨文識別研究現(xiàn)狀155
 1113深度卷積神經(jīng)網(wǎng)絡(luò)在甲骨文識別上的應(yīng)用156
 1114基于深度卷積神經(jīng)網(wǎng)絡(luò)的甲骨文識別160
 112基于深度特征的煙霧識別方法163
 1121國內(nèi)外研究現(xiàn)狀及發(fā)展動態(tài)分析163
 1122煙霧視頻數(shù)據(jù)集171
 1123煙霧識別方法171
 1124檢測結(jié)果分析176
 113總結(jié)177
 參考文獻(xiàn)179