微信扫码查看移动端店铺
~
更多参数>>
本书重点介绍三种基于机器学习算法的烟雾特征表示模型，包括全局学习的高阶局部特征表示、3D局部采样的多尺度与多阶特征表示、用于多层级特征表示的Gabor网络；此外，还介绍了结合非线性映射与高斯过程回归的烟雾预警。其中，三种特征表示模型保留了手工特征的灵活性，引入了深度学习的层级性，实现了从有监督学习火灾烟雾检测向端对端深度学习自动检测的过渡。
本书适合对统计机器学习基础概念有一定了解的读者参考使用。
第1章 绪 论 1.1 智能火灾烟雾检测的背景与意义 1.2 国内外研究现状 1.2.1 基于传感器火焰与烟雾检测的火警 1.2.2 基于传统机器学习算法的烟雾检测 1.2.3 基于深度学习的烟雾检测与火警 1.3 智能火灾烟雾检测的基础任务 1.4 智能火灾烟雾检测的研究目标、内容及技术路线 1.4.1 研究目标 1.4.2 研究内容 1.4.3 技术路线 1.5 本书结构安排参考文献第2章 单帧烟雾识别中的机器学习技术 2.1 局部特征表示 2.1.1 局部二值特征表示 2.1.2 局部特征基础扩展 2.1.3 高阶信息扩展 2.1.4 变换域扩展 2.1.5 特征学习扩展 2.2 局部特征学习与表示中的关键问题和解决方案 2.3 基于监督学习的单帧烟雾识别模型 2.3.1 判别模型与生成模型 2.3.2 高斯过程回归与烟雾识别任务本章小结参考文献第3章 全局学习的高阶局部特征表示 3.1 引言 3.2 基于差分的高阶特征底层表示 4.3 多尺度特征的紧凑表示 4.3.1 辨别特征映射模型学习 4.3.2 特征映射与紧凑表示 4.4 图内与图间编码的多阶特征表示 4.5 算法框架与层级扩展 4.5.1 算法框架与特征表示流程 4.5.2 可视化与多层级扩展 4.6 对比实验结果及分析 4.6.1 烟雾识别对比 4.6.2 纹理分类对比本章小结参考文献第5章 用于多层级特征表示的Gabor网络 5.1 引言 5.2 基于Gabor滤波的局部特征底层表示 5.2.1 多尺度与多方向的局部特征表示 5.2.2 尺度不变与方向不变的响应浓缩 5.3 特征图的编码与特征表示 5.3.1 跨通道编码的特征表示 5.3.2 通道内编码的特征表示 5.4 基于Gabor模块的算法框架 5.5 局部特征的扩展表示 5.5.1 强纹理区域的稳定成分提取扩展 5.5.2 全局学习的特征模式扩展 5.6 Gabor网络与层级特征表示 5.7 对比实验结果及分析 5.7.1 烟雾识别好比 5.7.2 纹理分类对比本章小结参考文献第6章 结合非线性映射与高斯过程回归的烟雾预警 6.1 引言 6.2 特征映射模型与特征低维表示 6.2.1 基于KLDA的映射模型 6.2.2 基于KPCA的映射模型 6.3 ()PR模型的先验项优势 6.4 GPR模型学习与单帧识别后验计算 6.5 基于非线性映射与GPR的烟雾识别 6.6 对比实验结果及分析 6.6.1 烟雾识别对比 6.6.2 纹理分类对比本章小结参考文献第7章 结论与展望 7.1 研究工作总结 7.2 研究展望附录A 与本书相关科研成果
