基于稀疏编码的半监督图像分类研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·概述 | 第10-11页 |
| ·问题的定义及挑战 | 第11-12页 |
| ·研究现状 | 第12-13页 |
| ·本文主要研究内容及结构安排 | 第13-16页 |
| 第2章 传统图像表示方法 | 第16-26页 |
| ·图像特征概述 | 第16-17页 |
| ·基于词袋模型的图像表示方法 | 第17-21页 |
| ·基于K-means聚类的视觉词典构建 | 第18页 |
| ·特征矢量量化方法 | 第18-21页 |
| ·基于空间金字塔匹配的图像表示 | 第21-24页 |
| ·特征空间金字塔匹配核方法 | 第21-22页 |
| ·图像空间金字塔匹配模型 | 第22-24页 |
| ·本章小结 | 第24-26页 |
| 第3章 基于稀疏编码的图像空间金字塔匹配模型 | 第26-40页 |
| ·稀疏编码理论概述 | 第26-27页 |
| ·稀疏编码 | 第27-32页 |
| ·匹配追踪算法 | 第29页 |
| ·正交匹配追踪算法 | 第29-32页 |
| ·基追踪算法 | 第32页 |
| ·过完备字典构造 | 第32-34页 |
| ·基于稀疏编码的空间金字塔匹配模型 | 第34-39页 |
| ·图像SIFT特征的稀疏编码 | 第35-37页 |
| ·构建线性空间金字塔匹配核 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 半监督学习 | 第40-50页 |
| ·半监督学习概述 | 第40-41页 |
| ·基于流形学习的半监督学习框架 | 第41-43页 |
| ·流形正则化学习算法 | 第43-49页 |
| ·拉普拉斯正则化最小二乘回归 | 第43-45页 |
| ·拉普拉斯正则化支持向量机 | 第45-47页 |
| ·线性流形学习算法 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 基于稀疏编码的半监督图像分类 | 第50-66页 |
| ·背景及相关技术介绍 | 第50-51页 |
| ·基于稀疏编码的半监督图像分类 | 第51-57页 |
| ·流形学习与稀疏编码空间金字塔模型的优劣互补性 | 第51-53页 |
| ·基于稀疏编码的线性LapSVM图像分类算法 | 第53-57页 |
| ·实验结果 | 第57-65页 |
| ·参数设置 | 第57-58页 |
| ·有效性比较 | 第58-62页 |
| ·过完备字典大小分析 | 第62-63页 |
| ·由稀疏编码到图像表示的函数类型分析 | 第63-64页 |
| ·分类模型核函数分析 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-70页 |
| ·全文总结 | 第66-68页 |
| ·展望未来 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第76页 |
