路邊視頻數(shù)據(jù)分析：深度學習

第一章 導論
1.1 背景
1.2 搜集路邊視頻數(shù)據(jù)
1.2.1 工業(yè)數(shù)據(jù)
1.2.2 測試數(shù)據(jù)
1.3 基于路邊視頻數(shù)據(jù)的應(yīng)用
1.4 本書內(nèi)容安排
參考文獻
第二章 路邊視頻數(shù)據(jù)分析框架
2.1 概述
2.2 方法
2.2.1 路邊視頻數(shù)據(jù)的預(yù)處理
2.2.2 將路邊視頻數(shù)據(jù)切分為對象
2.2.3 對象特征提取
2.2.4 路邊對象分類
2.2.5 路邊對象分類應(yīng)用
2.3 相關(guān)工作
2.3.1 植被切分和分類
2.3.2 通用對象切分和分類
2.4 數(shù)據(jù)處理的Matlab代碼
參考文獻
第三章 路邊視頻數(shù)據(jù)分析——非深度學習技術(shù)
3.1 神經(jīng)網(wǎng)絡(luò)學習
3.1.1 簡介
3.1.2 神經(jīng)網(wǎng)絡(luò)學習方法
3.1.3 實驗結(jié)果
3.1 -4 總結(jié)
3.2 支持向量機學習
3.2.1 簡介
3.2.2 SVM學習方法
3.2.3 實驗結(jié)果
3.2.4 總結(jié)
3.3 聚類學習
3.3.1 簡介
3.3.2 聚類學習法
3.3.3 實驗結(jié)果
3.3.4 總結(jié)
3.4 模糊C一均值學習
3.4.1 簡介
3.4.2 模糊C一均值學習方法
3.4.3 實驗結(jié)果
3.4.4 總結(jié)
3.5 集成學習
3.5.1 簡介
3.5.2 集成學習方法
3.5.3 實驗結(jié)果
3.5.4 總結(jié)
3.6 基于多數(shù)投票法的混合學習
3.6.1 簡介
3.6.2 多數(shù)投票法
3.6.3 實驗結(jié)果
3.6.4 總結(jié)
3.7 區(qū)域合并學習
3.7.1 簡介
3.7.2 區(qū)域合并法
3.7.3 方法的組件
3.7.4 實驗結(jié)果
3.7.5 總結(jié)
參考文獻
第四章 路邊視頻數(shù)據(jù)分析的深度學習技術(shù)
4.1 簡介
4.2 相關(guān)工作
4.3 自動與手動特征提取
4.3.1 簡介
4.3.2 比較框架
4.3.3 實驗結(jié)果
4.3.4 總結(jié)
4.4 單一架構(gòu)VS集成架構(gòu)
4.4.1 簡介
4.4.2 比較框架
4.4.3 實驗結(jié)果
4.4.4 總結(jié)
4.5 深度學習網(wǎng)絡(luò)
4.5.1 簡介
4.5.2 深度學習網(wǎng)絡(luò)
4.5.3 實驗結(jié)果
4.5.4 討論
4.5.5 總結(jié)
參考文獻
第五章 案例分析：火災(zāi)風險評估中的路邊視頻數(shù)據(jù)分析
5.1 導論
5.2 相關(guān)工作
5.3 提出的VOCGP算法
5.3.1 問題定義和動機
5.3.2 方法概覽
5.3.3 草區(qū)域分割
5.3.4 基于伽博濾波器投票的主垂直方向檢測
5.3.5 草像素的垂直方向連通性計算
5.4 實驗結(jié)果
5.4.1 路邊數(shù)據(jù)搜集
5.4.2 實驗設(shè)置
5.4.3 草生物量估計的性能
5.4.4 草密度預(yù)測的性能
5.4.5 易著火區(qū)域識別
5.5 討論
5.6 總結(jié)
參考文獻
第六章 總結(jié)和展望
6.1 對未來研究的建議
6.2 新的挑戰(zhàn)
6.3 新的機會和應(yīng)用