图像分类中的判别性增强研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-15页 |
| 第一章 绪论 | 第15-23页 |
| ·研究的对象和意义 | 第15-17页 |
| ·研究的内容和目标 | 第17-20页 |
| ·研究的思路和方法 | 第20-21页 |
| ·文章的结构安排 | 第21-23页 |
| 第二章 图像分类研究现状综述 | 第23-37页 |
| ·图像分类框架简介 | 第23-26页 |
| ·图像表达 | 第26-33页 |
| ·底层特征提取 | 第26-27页 |
| ·基于重构误差最小化的底层特征编码 | 第27-30页 |
| ·基于生成式模型的底层特征编码 | 第30-31页 |
| ·图像空间的特征汇聚 | 第31-33页 |
| ·图像表达相似度的度量 | 第33-35页 |
| ·分类器训练 | 第35页 |
| ·本章小结 | 第35-37页 |
| 第三章 底层特征编码的判别性增强 | 第37-55页 |
| ·引言 | 第37页 |
| ·基于生成式模型的底层特征编码 | 第37-41页 |
| ·基于生成式模型的底层特征编码原型 | 第38-39页 |
| ·相关扩展 | 第39-40页 |
| ·方法的分析 | 第40-41页 |
| ·底层特征编码中的判别性增强 | 第41-48页 |
| ·特征空间的判别性讨论 | 第41-43页 |
| ·基于向量差的特征关系描述 | 第43-44页 |
| ·基于直接加性核映射空间向量差的底层特征编码 | 第44-48页 |
| ·实验验证 | 第48-53页 |
| ·实验设置 | 第49-50页 |
| ·实验结果与分析 | 第50-53页 |
| ·本章小结 | 第53-55页 |
| 第四章 图像表达的判别性增强 | 第55-71页 |
| ·引言 | 第55-56页 |
| ·框架概述 | 第56-57页 |
| ·数据模型 | 第57-58页 |
| ·图像可变性潜在因子分析 | 第58-65页 |
| ·因子分析 | 第58-59页 |
| ·模型构造 | 第59-60页 |
| ·模型分析 | 第60-62页 |
| ·判别式的图像表达模型 | 第62-65页 |
| ·实验验证 | 第65-70页 |
| ·实验设置 | 第65-66页 |
| ·实验结果与分析 | 第66-70页 |
| ·本章小结 | 第70-71页 |
| 第五章 图像相似度度量学习的判别性增强 | 第71-89页 |
| ·引言 | 第71页 |
| ·图像表达与相似度度量的关系 | 第71-73页 |
| ·判别式的参数化相似度度量学习 | 第73-78页 |
| ·基于成对约束的图像关系描述 | 第74页 |
| ·判别式学习模型 | 第74-78页 |
| ·在线训练算法 | 第78-83页 |
| ·在线训练模型的构造 | 第78-81页 |
| ·优化算法设计 | 第81-83页 |
| ·实验验证 | 第83-87页 |
| ·实验设置 | 第83-85页 |
| ·实验结果与分析 | 第85-87页 |
| ·本章小结 | 第87-89页 |
| 第六章 基于特征空间判别性研究的分类器训练模型 | 第89-107页 |
| ·引言 | 第89-90页 |
| ·运动目标分类 | 第90-92页 |
| ·多分类问题的特征空间特性 | 第92-93页 |
| ·全局和局部训练模型 | 第93-96页 |
| ·输入空间分割 | 第95页 |
| ·在线学习更新 | 第95-96页 |
| ·基于核的在线学习方法综述 | 第96-98页 |
| ·基于核的感知器 | 第96-97页 |
| ·保守-激进算法 | 第97页 |
| ·基于核的有界在线学习 | 第97-98页 |
| ·实验验证 | 第98-102页 |
| ·实验设置 | 第98-99页 |
| ·实验结果与分析 | 第99-102页 |
| ·智能视频监控应用系统 | 第102-104页 |
| ·本章小结 | 第104-107页 |
| 第七章 总结与展望 | 第107-113页 |
| ·工作总结 | 第107-109页 |
| ·未来展望 | 第109-113页 |
| 参考文献 | 第113-123页 |
| 致谢 | 第123-125页 |
| 在读期间的研究成果和奖励 | 第125-126页 |
