| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1. 引言 | 第12-17页 |
| 2. 相关研究工作 | 第17-23页 |
| 2.1. 图像分类领域的相关工作 | 第17-19页 |
| 2.2. 多视角学习领域的相关工作 | 第19-20页 |
| 2.3. 迁移学习领域的相关工作 | 第20-23页 |
| 3. 图像分类与相关知识 | 第23-33页 |
| 3.1. 概述 | 第23页 |
| 3.2. 图像分类任务 | 第23-25页 |
| 3.3. 朴素贝叶斯分类算法 | 第25-27页 |
| 3.4. 可重词集 | 第27-28页 |
| 3.5. 经典图像特征表示工具 SIFT | 第28-31页 |
| 3.6. 本章小结 | 第31-33页 |
| 4. 文本协助下的图像分类算法 | 第33-42页 |
| 4.1. 概述 | 第33-34页 |
| 4.2. 基于可重词集的朴素贝叶斯图像分类算法 | 第34-35页 |
| 4.3. 特征映射(feature mapping):基于文本信息预测图像特征分布 | 第35-37页 |
| 4.4. 文本模型估计的细节与分析 | 第37-39页 |
| 4.5. 完整 TAIC 算法与时空效率分析 | 第39-42页 |
| 5. 实验分析 | 第42-64页 |
| 5.1. 概述 | 第42页 |
| 5.2. 实验所用到的度量标准 | 第42-45页 |
| 5.2.1. 两个分布的差向量的范数(欧氏空间上的距离度量) | 第43页 |
| 5.2.2. 两个分布的余弦相似度(cosine similarity) | 第43-44页 |
| 5.2.3. 估测分布相对于目标分布的 K-L 离散度(Kullback-Leibler divergence) | 第44-45页 |
| 5.2.4. 分类实验中的错误率(error rate) | 第45页 |
| 5.3. 实验数据集与预处理设置 | 第45-50页 |
| 5.4. TAIC 文本模型的特征分布近似程度 | 第50-54页 |
| 5.5. TAIC 文本模型的图像分类性能 | 第54-57页 |
| 5.6. 完整 TAIC 算法的图像分类性能 | 第57-62页 |
| 5.6.1. TAIC 混合模型在不同λ 与不同带标注训练图片规模下的性能 | 第57-59页 |
| 5.6.2. TAIC 混合模型参数λ 的工程优化 | 第59-60页 |
| 5.6.3. TAIC 混合模型与其他基础方法的对比 | 第60-62页 |
| 5.7. 实验部分小结 | 第62-64页 |
| 6. 总结和展望 | 第64-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-74页 |
| 攻读学位期间发表的学术论文 | 第74-76页 |
