| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-11页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 当前研究现状 | 第8-10页 |
| 1.3 文章主要内容与结构 | 第10-11页 |
| 第2章 特征学习及多示例多标记学习技术 | 第11-22页 |
| 2.1 特征学习 | 第11-14页 |
| 2.1.1 图像底层特征 | 第11-14页 |
| 2.2 多示例多标记学习技术 | 第14-21页 |
| 2.2.1 多标记映射方法 | 第16-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 基于主题模型的多示例多标记学习(CPNMIML)方法 | 第22-34页 |
| 3.1 相关工作 | 第22-24页 |
| 3.1.1 多示例学习方法 | 第22-23页 |
| 3.1.2 多标记学习方法 | 第23页 |
| 3.1.3 多示例多标记学习方法 | 第23-24页 |
| 3.2 CPNMIML算法 | 第24-27页 |
| 3.2.1 概率潜在语义分析 | 第24-25页 |
| 3.2.2 神经网络 | 第25页 |
| 3.2.3 算法流程 | 第25-27页 |
| 3.3 实验结果与分析 | 第27-32页 |
| 3.3.1 实验步骤 | 第27-29页 |
| 3.3.2 实验结果 | 第29-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 基于卷积神经网络的多示例多标记学习(CNNMIML)方法 | 第34-41页 |
| 4.1 卷积神经网络(CNN) | 第34-36页 |
| 4.1.1 卷积神经网络理论 | 第34-35页 |
| 4.1.2 卷积神经网络结构 | 第35页 |
| 4.1.3 一种典型的卷积神经网络结构(LeNet-5) | 第35-36页 |
| 4.2 CNNMIML算法 | 第36-38页 |
| 4.3 实验结果比较与分析 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 总结与展望 | 第41-42页 |
| 5.1 总结 | 第41页 |
| 5.2 展望 | 第41-42页 |
| 参考文献 | 第42-45页 |
| 攻读硕士期间的科研成果 | 第45-46页 |
| 致谢 | 第46-47页 |
