| 摘要 | 第12-14页 |
| Abstract | 第14-16页 |
| 主要数学符号列表 | 第17-18页 |
| 第一章 绪论 | 第18-33页 |
| 1.1 研究背景及问题界定 | 第18-20页 |
| 1.2 国内外相关研究现状 | 第20-27页 |
| 1.2.1 基于图的无监督学习 | 第20-21页 |
| 1.2.2 基于图的半监督学习 | 第21-23页 |
| 1.2.3 基于图的监督学习 | 第23-24页 |
| 1.2.4 图构建方法 | 第24-26页 |
| 1.2.5 基于图的学习方法拓展 | 第26-27页 |
| 1.2.6 研究现状评述 | 第27页 |
| 1.3 论文的主要工作 | 第27-30页 |
| 1.3.1 针对的问题和研究思路 | 第27-28页 |
| 1.3.2 研究内容及贡献 | 第28-30页 |
| 1.4 论文的组织结构 | 第30-33页 |
| 第二章 基于图的学习框架模型 | 第33-47页 |
| 2.1 引言 | 第33-35页 |
| 2.2 基于图的学习与两种假设 | 第35-37页 |
| 2.2.1 流形假设 | 第35-36页 |
| 2.2.2 聚类假设 | 第36-37页 |
| 2.3 图的划分准则 | 第37-44页 |
| 2.3.1 2类划分 | 第37-40页 |
| 2.3.2 多类划分 | 第40-44页 |
| 2.4 基于图的学习框架模型 | 第44-46页 |
| 2.4.1 问题描述与基本假设 | 第44-45页 |
| 2.4.2 约束条件放松方法 | 第45-46页 |
| 2.4.3 模型分析 | 第46页 |
| 2.5 本章小结 | 第46-47页 |
| 第三章 基于图的无监督学习 | 第47-72页 |
| 3.1 引言 | 第47-48页 |
| 3.2 基本问题描述与模型定义 | 第48-51页 |
| 3.2.1 图划分准则下基于图的无监督学习问题描述 | 第48-50页 |
| 3.2.2 模型定义 | 第50-51页 |
| 3.3 基于图的无监督学习算法框架 | 第51-52页 |
| 3.3.1 Logdet正则化 | 第51-52页 |
| 3.3.2 学习框架 | 第52页 |
| 3.4 基于图的无监督学习算法 | 第52-58页 |
| 3.4.1 迭代法 | 第53-54页 |
| 3.4.2 算法收敛性 | 第54-58页 |
| 3.4.3 复杂度分析 | 第58页 |
| 3.5 与以往工作之间的区别和联系 | 第58-61页 |
| 3.5.1 核均值，谱聚类和对称非负矩阵分解 | 第58-59页 |
| 3.5.2 解的非负性，维度和稀疏性 | 第59-60页 |
| 3.5.3 权重矩阵 | 第60-61页 |
| 3.6 实验结果与分析 | 第61-70页 |
| 3.6.1 实验说明 | 第61-62页 |
| 3.6.2 一个示例 | 第62-64页 |
| 3.6.3 真实数据集 | 第64-65页 |
| 3.6.4 聚类结果 | 第65-67页 |
| 3.6.5 算法分析 | 第67-69页 |
| 3.6.6 CAC的变形 | 第69-70页 |
| 3.7 本章小结 | 第70-72页 |
| 第四章 基于图的半监督学习 | 第72-93页 |
| 4.1 引言 | 第72-73页 |
| 4.2 基本问题描述与模型定义 | 第73-78页 |
| 4.2.1 图划分准则下基于图的半监督分类学习 | 第73-77页 |
| 4.2.2 图划分准则下基于图的半监督聚类学习 | 第77-78页 |
| 4.3 基于图的半监督学习算法 | 第78-82页 |
| 4.3.1 基于图的半监督分类算法 | 第78-81页 |
| 4.3.2 基于图的半监督聚类算法 | 第81-82页 |
| 4.4 与以往工作的区别和联系 | 第82-84页 |
| 4.4.1 LGC方法和GFHF方法 | 第82-83页 |
| 4.4.2 GGMC方法 | 第83-84页 |
| 4.5 实验结果与分析 | 第84-91页 |
| 4.5.1 实验说明 | 第84-85页 |
| 4.5.2 真实数据集 | 第85-86页 |
| 4.5.3 构建权重矩阵 | 第86页 |
| 4.5.4 半监督分类结果 | 第86页 |
| 4.5.5 半监督聚类结果 | 第86-90页 |
| 4.5.6 算法分析 | 第90-91页 |
| 4.6 本章小结 | 第91-93页 |
| 第五章 基于图的监督学习 | 第93-106页 |
| 5.1 引言 | 第93-94页 |
| 5.2 基本问题描述与模型定义 | 第94-97页 |
| 5.2.1 图划分准则下基于图的监督学习问题描述 | 第94页 |
| 5.2.2 模型定义 | 第94-97页 |
| 5.3 基本图的监督学习算法 | 第97-98页 |
| 5.4 实验结果与分析 | 第98-104页 |
| 5.4.1 实验说明 | 第98-99页 |
| 5.4.2 真实数据集 | 第99-101页 |
| 5.4.3 分类结果 | 第101-102页 |
| 5.4.4 算法分析 | 第102-103页 |
| 5.4.5 稀疏约束拓展 | 第103-104页 |
| 5.5 本章小结 | 第104-106页 |
| 第六章 基于图的协同正则化学习 | 第106-118页 |
| 6.1 引言 | 第106页 |
| 6.2 基本问题描述与模型定义 | 第106-110页 |
| 6.2.1 图划分准则下基于图的无监督协同正则化学习问题描述 | 第106-110页 |
| 6.2.2 图划分准则下基于图的半监督协同正则化学习问题描述 | 第110页 |
| 6.2.3 模型定义 | 第110页 |
| 6.3 基本图的协同正则化学习算法 | 第110-113页 |
| 6.3.1 基于图的协同正则化学习算法框架 | 第110-111页 |
| 6.3.2 基于图的协同正则化学习算法 | 第111-113页 |
| 6.4 实验结果与分析 | 第113-116页 |
| 6.4.1 实验说明 | 第113-114页 |
| 6.4.2 数据集 | 第114页 |
| 6.4.3 聚类结果 | 第114-116页 |
| 6.4.4 算法分析 | 第116页 |
| 6.5 本章小结 | 第116-118页 |
| 第七章 基于图的多重正则化学习 | 第118-134页 |
| 7.1 引言 | 第118-119页 |
| 7.2 基本问题描述与模型定义 | 第119页 |
| 7.2.1 图划分准则下基于图的多重正则化学习问题描述 | 第119页 |
| 7.2.2 模型定义 | 第119页 |
| 7.3 基本图的无监督多重正则化学习算法 | 第119-122页 |
| 7.3.1 基于图的无监督多重正则化学习算法框架 | 第119页 |
| 7.3.2 基于图的无监督多重正则化学习算法 | 第119-120页 |
| 7.3.3 算法收敛性 | 第120-122页 |
| 7.3.4 复杂度分析 | 第122页 |
| 7.4 基本图的半监督多重正则化学习算法 | 第122-125页 |
| 7.4.1 基于图的半监督多重正则化聚类学习算法 | 第122-123页 |
| 7.4.2 基于图的半监督多重正则化分类学习算法 | 第123-124页 |
| 7.4.3 算法分析 | 第124-125页 |
| 7.5 与以往工作的区别和联系 | 第125页 |
| 7.6 实验结果与分析 | 第125-133页 |
| 7.6.1 实验说明 | 第125-127页 |
| 7.6.2 一个示例 | 第127页 |
| 7.6.3 真实数据集 | 第127-128页 |
| 7.6.4 实验结果 | 第128-129页 |
| 7.6.5 算法分析 | 第129-132页 |
| 7.6.6 模型变形 | 第132-133页 |
| 7.7 本章小结 | 第133-134页 |
| 第八章 基于图的公共视频场景聚集性度量及分析 | 第134-152页 |
| 8.1 引言 | 第134-135页 |
| 8.2 公共视频中群体场景的聚集性度量和分析框架 | 第135-137页 |
| 8.2.1 聚集度主题 | 第135-136页 |
| 8.2.2 研究思路和框架 | 第136-137页 |
| 8.3 公共视频中群体场景的聚集性度量和场景划分 | 第137-146页 |
| 8.3.1 路径积分描述子 | 第137-141页 |
| 8.3.2 聚集度 | 第141-142页 |
| 8.3.3 自驱动粒子模型实验 | 第142-145页 |
| 8.3.4 场景划分方法 | 第145-146页 |
| 8.4 实验结果与分析 | 第146-151页 |
| 8.4.1 实验说明 | 第146页 |
| 8.4.2 数据集 | 第146-147页 |
| 8.4.3 实验结果 | 第147-151页 |
| 8.5 本章小结 | 第151-152页 |
| 第九章 结论与展望 | 第152-155页 |
| 9.1 工作总结 | 第152-153页 |
| 9.2 研究展望 | 第153-155页 |
| 致谢 | 第155-156页 |
| 参考文献 | 第156-169页 |
| 作者在学期间取得的学术成果 | 第169-171页 |
| 作者在学期间参与的科研项目 | 第171页 |
