| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第二章 多示例学习理论 | 第16-28页 |
| 2.1 多示例学习 | 第16-22页 |
| 2.1.1 轴平行矩形算法 | 第16-17页 |
| 2.1.2 Citation-kNN算法 | 第17-19页 |
| 2.1.3 多样性密度算法 | 第19-21页 |
| 2.1.4 基于支持向量机的多示例学习算法 | 第21-22页 |
| 2.2 多示例学习与传统学习方法的区别 | 第22页 |
| 2.3 多示例学习跟踪算法 | 第22-27页 |
| 2.3.1 Online Boosting | 第23-24页 |
| 2.3.2 AdaBoost | 第24-26页 |
| 2.3.3 MILBoost | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 在线特征融合的加权多示例学习跟踪算法 | 第28-54页 |
| 3.1 分类模型 | 第28-31页 |
| 3.1.1 产生式模型 | 第29-30页 |
| 3.1.2 判别式模型 | 第30-31页 |
| 3.2 局部特征选择 | 第31-36页 |
| 3.2.1 Haar-1ike特征 | 第31-32页 |
| 3.2.2 积分图 | 第32-33页 |
| 3.2.3 HOG特征 | 第33-34页 |
| 3.2.4 分类器构造与更新 | 第34-36页 |
| 3.3 加权学习 | 第36-39页 |
| 3.4 目标定位 | 第39-40页 |
| 3.5 WFMIL算法 | 第40-42页 |
| 3.6 实验结果 | 第42-52页 |
| 3.6.1 实验参数 | 第42页 |
| 3.6.2 实验结果分析 | 第42-52页 |
| 3.7 本章小结 | 第52-54页 |
| 第四章 在线判别性特征选择的加权多示例学习跟踪算法 | 第54-80页 |
| 4.1 运动模型 | 第54-55页 |
| 4.2 分类器构造与更新 | 第55-56页 |
| 4.3 判别性特征选择 | 第56-60页 |
| 4.4 DWMIL算法 | 第60-62页 |
| 4.5 实验总结 | 第62-79页 |
| 4.5.1 实验参数 | 第62页 |
| 4.5.2 实验结果分析 | 第62-79页 |
| 4.6 本章小结 | 第79-80页 |
| 第五章 总结与展望 | 第80-82页 |
| 5.1 总结 | 第80页 |
| 5.2 展望 | 第80-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间发表论文及科研情况 | 第86-88页 |
| 致谢 | 第88页 |