| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第21-30页 |
| 1.1 研究背景与意义 | 第21-22页 |
| 1.2 问题描述与难点分析 | 第22-23页 |
| 1.3 经典结构化学习方法概述 | 第23-25页 |
| 1.4 课题来源、主要研究内容与创新点 | 第25-27页 |
| 1.4.1 所选课题来源 | 第25页 |
| 1.4.2 主要研究内容 | 第25页 |
| 1.4.3 主要创新点 | 第25-27页 |
| 1.5 论文组织结构与章节安排 | 第27-29页 |
| 1.5.1 论文组织结构 | 第27-28页 |
| 1.5.2 论文章节安排 | 第28-29页 |
| 1.6 本章小结 | 第29-30页 |
| 第二章 结构模型与学习推理方法 | 第30-41页 |
| 2.1 引言 | 第30页 |
| 2.2 结构化表征 | 第30-32页 |
| 2.2.1 无向图模型 | 第31-32页 |
| 2.2.2 有向图模型 | 第32页 |
| 2.3 结构化学习与推理 | 第32-40页 |
| 2.3.1 置信度传播 | 第34-35页 |
| 2.3.2 图切割 | 第35-37页 |
| 2.3.3 均值场 | 第37-39页 |
| 2.3.4 蒙特卡洛法 | 第39-40页 |
| 2.4 本章小结 | 第40-41页 |
| 第三章 低层视觉数据驱动的结构关联学习 | 第41-59页 |
| 3.1 引言 | 第41页 |
| 3.2 像素结构关联的图像分割 | 第41-43页 |
| 3.3 问题描述与模型框架 | 第43-45页 |
| 3.3.1 马尔科夫随机场模型框架 | 第43-44页 |
| 3.3.2 迭代条件模式算法推理求解 | 第44-45页 |
| 3.4 先验指导下的标记推理映射 | 第45-51页 |
| 3.4.1 多尺度模型构建与特征描述 | 第45-46页 |
| 3.4.2 顶层先验表达 | 第46-49页 |
| 3.4.3 尺度间先验表达 | 第49-51页 |
| 3.4.4 区域融合 | 第51页 |
| 3.5 实验结果与分析 | 第51-58页 |
| 3.5.1 数据集与实验环境 | 第51页 |
| 3.5.2 定性分析与定量对比 | 第51-55页 |
| 3.5.3 鲁棒性与普适性分析 | 第55-58页 |
| 3.6 本章小结 | 第58-59页 |
| 第四章 主题描述下的中层静态目标结构关联分析 | 第59-77页 |
| 4.1 引言 | 第59页 |
| 4.2 目标内部结构关联的检测与识别 | 第59-61页 |
| 4.3 问题描述与模型框架 | 第61-63页 |
| 4.3.1 原始隐狄利克雷分配模型及其扩展 | 第61-62页 |
| 4.3.2 时序关联隐狄利克雷分配模型 | 第62-63页 |
| 4.4 时空关联结构约束下的模型求解 | 第63-67页 |
| 4.4.1 模型总体求解框架 | 第63-64页 |
| 4.4.2 空间关联约束表达 | 第64-65页 |
| 4.4.3 时序关联约束表达 | 第65-66页 |
| 4.4.4 主题分配赋值更新 | 第66页 |
| 4.4.5 识别预测 | 第66-67页 |
| 4.5 实验结果与分析 | 第67-75页 |
| 4.5.1 数据集与参数设定 | 第67-68页 |
| 4.5.2 定性分析与定量对比 | 第68-72页 |
| 4.5.3 优化参数的语义解释 | 第72-75页 |
| 4.6 本章小结 | 第75-77页 |
| 第五章 中层运动目标的结构化稀疏编码表征 | 第77-93页 |
| 5.1 引言 | 第77页 |
| 5.2 运动目标的结构编码 | 第77-78页 |
| 5.3 问题描述与模型框架 | 第78-81页 |
| 5.3.1 稀疏编码的基本框架 | 第78-79页 |
| 5.3.2 通用字典学习框架 | 第79-80页 |
| 5.3.3 多特征下的通用字典学习框架 | 第80-81页 |
| 5.4 结构化稀疏编码表征 | 第81-84页 |
| 5.4.1 特征描述 | 第81-82页 |
| 5.4.2 通用字典学习求解 | 第82-83页 |
| 5.4.3 识别预测 | 第83-84页 |
| 5.5 实验结果与分析 | 第84-91页 |
| 5.5.1 数据集与参数设定 | 第84-85页 |
| 5.5.2 定性分析和定量对比 | 第85-90页 |
| 5.5.3 稀疏约束与字典子项的性能分析 | 第90-91页 |
| 5.6 本章小结 | 第91-93页 |
| 第六章 生成-判别混合决策下的高层场景结构分析与识别 | 第93-109页 |
| 6.1 引言 | 第93页 |
| 6.2 生成模型与判别模型的场景分析过程 | 第93-95页 |
| 6.3 问题描述与模型框架 | 第95-97页 |
| 6.4 反馈推理下的融合决策 | 第97-101页 |
| 6.4.1 先验信息获取 | 第97-99页 |
| 6.4.2 初始融合决策与反馈 | 第99-100页 |
| 6.4.3 模型重训练与精化融合决策 | 第100页 |
| 6.4.4 模型更新 | 第100-101页 |
| 6.5 实验结果与分析 | 第101-108页 |
| 6.5.1 实验设计 | 第101页 |
| 6.5.2 实验数据集与参数设定 | 第101-102页 |
| 6.5.3 定性分析与定量对比 | 第102-104页 |
| 6.5.4 自动扩展样本性能分析 | 第104-108页 |
| 6.6 本章小结 | 第108-109页 |
| 第七章 总结与展望 | 第109-111页 |
| 7.1 全文总结 | 第109页 |
| 7.2 研究展望 | 第109-111页 |
| 参考文献 | 第111-122页 |
| 攻读博士学位期间的学术活动及成果情况 | 第122-123页 |