| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-13页 |
| ·选题背景与研究意义 | 第7-9页 |
| ·研究现状 | 第9-11页 |
| ·传统图像检索与分类技术发展 | 第9-10页 |
| ·基于多示例学习的图像检索与分类技术 | 第10-11页 |
| ·论文组织结构 | 第11-13页 |
| 第二章 多示例学习 | 第13-22页 |
| ·多示例学习的概念 | 第13-16页 |
| ·多示例学习算法研究 | 第16-19页 |
| ·多样性密度算法 | 第17-18页 |
| ·最大期望值多样性密度算法 | 第18页 |
| ·其他多示例学习算法 | 第18-19页 |
| ·多示例学习的应用 | 第19-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 支持向量机技术在多示例中的应用 | 第22-32页 |
| ·支持向量机理论 | 第22-26页 |
| ·支持向量机 | 第22-24页 |
| ·新型支持向量机 | 第24-26页 |
| ·基于SVM的多示例学习 | 第26-31页 |
| ·本章小结 | 第31-32页 |
| 第四章 基于直推式SVM的多示例图像分类算法 | 第32-41页 |
| ·图像特征的提取及包的生成 | 第32-37页 |
| ·颜色特征提取 | 第32-34页 |
| ·纹理特征提取 | 第34-35页 |
| ·形状特征提取 | 第35-36页 |
| ·包和示例的生成 | 第36-37页 |
| ·基于直推式SVM多示例的图像分类 | 第37-38页 |
| ·实验结果与分析 | 第38-40页 |
| ·实验数据 | 第38-39页 |
| ·实验结果与分析 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 基于属性约简直推式SVM的多示例图像分类算法 | 第41-48页 |
| ·基于邻域粒化的前向贪心属性约简算法 | 第41-44页 |
| ·基于属性约简直推式SVM多示例的图像分类算法 | 第44-45页 |
| ·实验结果与分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-50页 |
| ·总结 | 第48-49页 |
| ·未来工作展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 在读期间发表的学术论文 | 第54页 |