第一个书签之前
摘要
插图索引
表格索引
1 绪论
1.1 研究背景及意义
1.2 田间图像自动观测系统
1.3 国内外研究与发展现状
1.3.1 基于颜色的图像分割
1.3.2 开花状态纹理识别
1.3.3 细粒度作物品种分类
1.3.4 田间目标计数
1.3.5 视觉领域适应
1.4 田间自动观测的难点与挑战
1.5 主要研究内容
1.6 课题来源与行文安排
1.6.1 论文课题来源
1.6.2 论文行文安排
2 基于区域颜色建模的联合语义分割
2.1 引言
2.2 融合超像素的图像区域生成
2.3 基于组合神经网络的语义标注
2.4 作物与玉米雄穗分割数据集
2.5 实验结果与分析
2.6 本章小结
3 基于测度学习的开花状态纹理识别
3.1 引言
3.2 雄穗开花状态的视觉特征表达
3.3 基于最大间隔思想的开花状态特征维数约减
3.4 玉米雄穗开花状态数据集
3.5 实验结果与分析
3.6 本章小结
4 基于卷积响应特征编码的高效细粒度作物品种分类
4.1 引言
4.2 滤波器引导的CNN特征编码机制
4.3 基于查找表和对偶正则平均的快速分类器学习与在线优化
4.4 玉米雄穗品种分类数据集
4.5 实验结果与分析
4.6 本章小结
5 基于深度局部计数回归网络的田间目标计数
5.1 引言
5.2.1 回归目标
5.2.2 网络结构
5.2.3 损失函数
5.2.4 局部计数的合并和归一化
5.3 玉米雄穗计数数据集
5.4 实验结果与分析
5.4.1 算法实现与训练细节
5.4.2 计数性能评价指标
5.4.3 评估不同的网络结构、训练样本数量、损失函数、高斯核参数以及子图像块大小对计数性能的影响
5.4.4 与当前技术水平的比较
5.5 本章小结
6 线性判别分析启发的视觉领域适应
6.1 引言
6.2 基于类均值学习特定类别投影
6.3 迭代推测目标域样本标签
6.4 半监督领域适应的扩展
6.5 实验结果与分析
6.5.1 数据集、实验准则与基准方法
6.5.2 消融分析
6.5.3 OC10和O31数据集上无监督领域适应的评估
6.5.4 OC10和O31数据集上半监督领域适应的评估
6.5.5 SS5和MTFS3–DA数据集上半监督领域适应的评估
6.5.6 收敛性分析与效率对比
6.6 本章小结
7 玉米关键发育期自动观测集成软件系统
7.1 引言
7.2 玉米抽穗期自动检测
7.3 玉米开花期自动检测
7.4 本章小结
8 全文总结与展望
8.1 主要研究内容
8.2 主要创新点
8.3 研究展望
致谢
参考文献
附录 A 攻读学位期间发表的学术论文
附录 B 发表的学术论文、发明专利与学位论文的关系
附录 C 作者在博士期间主要参与的课题
华中科技大学;