| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第10-12页 |
| 1 绪论 | 第12-24页 |
| ·课题背景 | 第12-13页 |
| ·课题意义 | 第13-14页 |
| ·图像分类问题的难点 | 第14-16页 |
| ·国内外研究现状 | 第16-20页 |
| ·论文主要研究内容 | 第20-22页 |
| ·论文框架结构 | 第22-24页 |
| 2 图像分类相关基础 | 第24-40页 |
| ·图像底层特征提取 | 第24-34页 |
| ·颜色特征 | 第24-25页 |
| ·形状特征 | 第25页 |
| ·纹理特征 | 第25-26页 |
| ·SIFT特征 | 第26-31页 |
| ·SIFT特征的演变 | 第31-34页 |
| ·图像中间语义表达 | 第34-36页 |
| ·BOV直方图表示 | 第34-36页 |
| ·Fisher向量表示 | 第36页 |
| ·BOV与Fisher向量对比 | 第36页 |
| ·分类器简介 | 第36-38页 |
| ·k-最近邻分类器 | 第37页 |
| ·贝叶斯分类器 | 第37页 |
| ·神经网络 | 第37-38页 |
| ·支持向量机 | 第38页 |
| ·图像分类评价标准 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 3 基于特征选择的Fisher向量改进 | 第40-56页 |
| ·Fisher向量表示 | 第40-46页 |
| ·Fisher核介绍 | 第40-41页 |
| ·Fisher核在图像分类中的应用 | 第41-43页 |
| ·Fisher向量归一化 | 第43-45页 |
| ·Fisher向量的计算过程 | 第45-46页 |
| ·引入特征选择思想的Fisher向量原理 | 第46-47页 |
| ·实验数据集 | 第47-49页 |
| ·Caltech256 | 第47-48页 |
| ·PASCAL VOC 2007 | 第48-49页 |
| ·Berkeley Multiview Wireless (BMW) Database | 第49页 |
| ·手动特征选择验证实验 | 第49-54页 |
| ·实验配置 | 第51页 |
| ·实验结果 | 第51-53页 |
| ·实验分析 | 第53-54页 |
| ·本章小结 | 第54-56页 |
| 4 自适应特征选择方法在图像分类中的应用 | 第56-72页 |
| ·基于贝叶斯自适应算法的特征选择原理 | 第56-65页 |
| ·训练通用背景模型与判别力预测模型 | 第56-57页 |
| ·特征点判别力预测 | 第57-58页 |
| ·实验结果与分析 | 第58-65页 |
| ·基于显著区域提取算法的特征选择 | 第65-68页 |
| ·显著区域提取算法概述 | 第66-67页 |
| ·实验结果与分析 | 第67-68页 |
| ·本章小结 | 第68-72页 |
| 5 特征选择在图像分类中的应用延伸实验 | 第72-78页 |
| ·贝叶斯自适应特征选择结合前景-背景空间聚合实验 | 第72-74页 |
| ·显著区域提取特征选择结合稀疏编码实验 | 第74-75页 |
| ·本章小结 | 第75-78页 |
| 6 总结与展望 | 第78-82页 |
| ·本文工作总结 | 第78-79页 |
| ·未来工作展望 | 第79-82页 |
| 参考文献 | 第82-86页 |
| 作者简历 | 第86-90页 |
| 学位论文数据集 | 第90页 |