在本文中,我们提出了基于指数损失间隔的多标记特征选择算法,与一种多标记样本相似性的度量方法相结合,该算法通过样本相似性的度量方法,能将样本的特征空间和标记空间的信息融合在一起,独立于特定的分类算法或转换策略,优于其它的特征选择算法分类性能,在基准数据集上验证了所提算法的正确性及较好的性能。
图2.4分类器链
第一章 绪论
1.1 课题研究的背景和意义
1.2 国内外研究现状
1.3 论文章节安排
第二章 多标记学习与特征选择
2.1 多标记学习
2.1.1 多标记学习简介
2.1.2 多标记算法的性能指标
2.1.3 多标记算法的类别
2.2 多标记算法框架
2.3 特征选择相关概述
2.4 特征选择算法
2.4.1 过滤器模型
2.4.2 封装器模型
2.5 谱特征选择算法
2.5.1 算法简述
2.5.2 算法框架
2.6 本章小结
第三章 基于指数损失间隔的多标记特征选择算法
3.1 引言
3.2 算法相关概述
3.2.1 样本相似度
3.2.2 标记间的关联性
3.2.3 算法模型
3.3 实验
3.3.1 数据集简介
3.3.2 多标记特征选择算法实验
3.3.3 过滤器模型实验
3.3.4 封装器模型实验
3.4 本章小结
第四章 多标记特征选择在智能驾驶系统中的应用
4.1 系统总体架构
4.2 客户端的设计与实现
4.2.1 功能设计
4.2.2 功能实现
4.2.3 物体识别分类检测模块
4.2.4 数据库模块
4.3 本章小结
第五章 总结与展望
5.1 本文的主要工作
5.2 进一步的研究工作
参考文献
软件工程硕士论文范文四：基于深度学习的行人自遮挡检测及应用
本文主要包括以下内容:论文首先对目前行人检测的研究难点及国内外现状做了总结,对基于机器学习的传统行人检测方法以及基于深度学习的目标检测算法做了调研和梳理。其中传统方法中最经典的是基于HOG+SVM（Histogram of Oriented Gradients+Support Vector Machine）的行人检测算法,基于深度学习的目标检测算法主要分为SSD（Single Shot Multi Box Detector）、R-CNN系列和YOLO（You Only Look Once）系列这三大类。
第一章 绪论
1.1 研究背景及研究意义
1.2 研究难点及研究现状
1.2.1 研究难点
1.2.2 研究现状
1.3 本文的研究内容
1.4 本文的组织结构
第二章 传统目标检测及基于深度学习的目标检测算法
2.1 基于HOG+SVM的行人检测
2.1.1 SVM分类器
2.1.2 HOG特征
2.2 卷积神经网络
2.2.1 神经网络
2.2.2 卷积神经网络
2.3 基于深度学习的目标检测算法
2.3.1 基于端到端的目标检测算法
2.3.2 基于区域提名的目标检测算法
2.4 本章小结
第三章 基于Faster R-CNN的行人检测
3.1 引言
3.2 数据集
3.2.1 目标检测常用的数据集
3.2.2 本文使用的数据集
3.3 Faster R-CNN算法
3.3.1 RPN网络
3.3.2 Fast R-CNN检测网络
3.3.3 损失函数
3.3.4 训练过程
3.4 基于Faster R-CNN的行人检测算法
3.4.1 模型训练
3.4.2 评估指标
3.4.3 实验结果分析
3.5 本章小结
第四章 基于改进Faster R-CNN的行人遮挡检测
4.1 引言
4.2 提取行人特征的网络模型
4.2.1 SENet
4.2.2 SE-Res Net
4.2.3 前置网络对比
4.3 先验框的选择
4.4 遮挡行人检测
4.4.1 Loss的重新选择
4.4.2 数据集
4.5 实验结果分析
4.6 应用场景
4.7 本章小结
第五章 总结与展望
5.1 研究总结
5.2 展望
参考文献
软件工程硕士论文范文五：基于深度残差网络的手势肌电识别算法研究
第一章 绪论
1.1 研究背景及意义
1.2 本文主要研究内容
1.3 论文结构安排
第二章 深度残差网络及相关研究
2.1 深度学习相关方法概述
2.2 深度残差神经网络算法
2.3 本章小结
第三章 手势肌电识别算法相关研究
3.1 传统的表面肌电信号手势识别算法
3.2 基于深度学习的表面肌电信号手势识别算法
3.3 本章小结
第四章 基于改进深度残差网络的手势肌电识别算法
4.1 引言
4.2 卷积神经网络肌电手势识别的优缺点
4.3 基于深度残差池化网络的手势肌电识别算法
4.3.1 残差单元的数量选择
4.3.2 卷积核的长度
4.3.3 额外的卷积与
