| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-38页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 研究难点 | 第13-16页 |
| 1.3 国内外研究现状和发展趋势 | 第16-32页 |
| 1.3.1 图像特征表示 | 第16-29页 |
| 1.3.1.1 基于低层特征的图像表示 | 第17-20页 |
| 1.3.1.2 基于中层语义的图像表示 | 第20-22页 |
| 1.3.1.3 基于高层特征的图像表示 | 第22-23页 |
| 1.3.1.4 基于特征学习的图像表示 | 第23-29页 |
| 1.3.2 机器学习 | 第29-32页 |
| 1.4 常用数据集介绍 | 第32-35页 |
| 1.5 本文的研究内容和创新点 | 第35-37页 |
| 1.6 本文的结构安排 | 第37-38页 |
| 第二章 基于分层稀疏表示的有监督字典学习模型研究 | 第38-69页 |
| 2.1 引言 | 第38-40页 |
| 2.2 稀疏表示方法 | 第40-45页 |
| 2.2.1 凸松弛优化方法 | 第42页 |
| 2.2.2 贪婪追踪方法 | 第42-45页 |
| 2.3 字典学习 | 第45-52页 |
| 2.3.1 无监督字典学习 | 第46-49页 |
| 2.3.2 有监督字典学习 | 第49-52页 |
| 2.4 分层学习 | 第52-55页 |
| 2.5 图像分类实验 | 第55-68页 |
| 2.5.1 实验设置 | 第55-56页 |
| 2.5.2 实验结果对比与分析 | 第56-68页 |
| 2.6 本章小结 | 第68-69页 |
| 第三章 基于FNOMP分层稀疏表示的图像分类研究 | 第69-86页 |
| 3.1 引言 | 第69-71页 |
| 3.2 学习分层的稀疏表示 | 第71-72页 |
| 3.3 高效非负稀疏编码器 | 第72-76页 |
| 3.3.1 GSVQ字典训练 | 第72-73页 |
| 3.3.2 带有非负约束的快速OMP编码器 | 第73-76页 |
| 3.4 图像分类实验 | 第76-85页 |
| 3.4.1 计算效率对比 | 第77-78页 |
| 3.4.2 分类准确率对比 | 第78-85页 |
| 3.5 本章小结 | 第85-86页 |
| 第四章 基于深度网络的可学习感受野在图像分类中的研究 | 第86-103页 |
| 4.1 引言 | 第86-89页 |
| 4.2 深度网络中的分层特征提取 | 第89-92页 |
| 4.3 可学习感受野 | 第92-94页 |
| 4.4 图像分类实验 | 第94-102页 |
| 4.4.1 时间复杂度分析 | 第94-95页 |
| 4.4.2 实验结果与分析 | 第95-102页 |
| 4.5 本章小结 | 第102-103页 |
| 第五章 基于核稀疏表示的分层特征级联图像分类方法研究 | 第103-124页 |
| 5.1 引言 | 第103-105页 |
| 5.2 基于核方法的字典学习与稀疏编码 | 第105-109页 |
| 5.2.1 基于核方法的正交匹配追踪 | 第106-108页 |
| 5.2.2 基于核方法的K-SVD | 第108-109页 |
| 5.3 基于分层特征级联的核稀疏表示 | 第109-112页 |
| 5.3.1 批量核正交匹配追踪和联合字典方法 | 第110-111页 |
| 5.3.2 特征级联 | 第111-112页 |
| 5.4 图像分类实验 | 第112-123页 |
| 5.4.1 实验设置 | 第112-113页 |
| 5.4.2 常用类型核函数在分层特征学习中的性能评估 | 第113-114页 |
| 5.4.3 KSR稀疏度在分层特征学习中的作用评估 | 第114-116页 |
| 5.4.4 基于分层特征级联的KSR分类性能评估 | 第116-120页 |
| 5.4.5 基于混淆矩阵的分类性能评估 | 第120-123页 |
| 5.5 本章小结 | 第123-124页 |
| 第六章 总结与展望 | 第124-127页 |
| 6.1 本文工作总结 | 第124-125页 |
| 6.2 未来工作展望 | 第125-127页 |
| 参考文献 | 第127-144页 |
| 发表论文和参加科研情况说明 | 第144-145页 |
| 致谢 | 第145-146页 |
