| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-7页 |
| 第一章 引言 | 第7-12页 |
| 1.1 课题研究的背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 课题研究的主要工作及成果 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 第二章 半监督学习与不平衡数据分类 | 第12-18页 |
| 2.1 半监督学习 | 第12-14页 |
| 2.1.1 半监督学习的两种基本假设 | 第12-13页 |
| 2.1.2 未标记样本对分类性能的作用 | 第13-14页 |
| 2.2 不平衡数据分类 | 第14-17页 |
| 2.2.1 不平衡数据分类问题的难点 | 第14-15页 |
| 2.2.2 不平衡数据分类的相关方法 | 第15-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第三章 基于聚类与 TSVM 融合的图像通用隐写检测算法 | 第18-30页 |
| 3.1 图像通用隐写检测模型 | 第18-19页 |
| 3.2 JPEG图像特征提取 | 第19页 |
| 3.3 聚类 K-MEANS 算法与直推式支持向量机 | 第19-25页 |
| 3.3.1 聚类 K-means 算法 | 第19-20页 |
| 3.3.2 直推式支持向量机 | 第20-25页 |
| 3.4 基于聚类与 TSVM 融合的图像通用隐写检测算法 | 第25-27页 |
| 3.4.1 TSVM 存在的缺陷与图像隐写检测数据的不平衡性 | 第25页 |
| 3.4.2 基于聚类与 TSVM 融合的图像通用隐写检测算法 | 第25-27页 |
| 3.5 实验与分析 | 第27-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第四章 基于 TRI-TRAINING 和数据剪辑的隐写检测算法 | 第30-41页 |
| 4.1 协同训练与 TRI-TRAINING 简介 | 第30-31页 |
| 4.1.1 协同训练概述 | 第30-31页 |
| 4.1.2 Tri-training 简介 | 第31页 |
| 4.2 构造差异性分类器 | 第31-36页 |
| 4.3 基于 TRI-TRAINING和数据剪辑的隐写检测算法 | 第36-37页 |
| 4.3.1 在图像隐写检测中 Tri-training 算法存在的缺陷 | 第36页 |
| 4.3.2 基于 Tri-training 和数据剪辑的隐写检测算法 | 第36-37页 |
| 4.4 实验与分析 | 第37-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 基于半监督模糊聚类的图像隐写检测算法 | 第41-47页 |
| 5.1 模糊聚类算法概述 | 第41页 |
| 5.2 FCM算法 | 第41-42页 |
| 5.3 基于半监督模糊聚类的图像隐写检测算法 | 第42-45页 |
| 5.3.1 半监督聚类算法概述 | 第42-43页 |
| 5.3.2 在图像隐写检测中 FCM 算法存在的缺陷 | 第43页 |
| 5.3.3 基于半监督模糊聚类的图像隐写检测算法 | 第43-45页 |
| 5.4 实验与分析 | 第45-46页 |
| 5.5 本章小结 | 第46-47页 |
| 总结与展望 | 第47-48页 |
| 全文总结 | 第47页 |
| 下一步工作及展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第52页 |
