| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 研究内容 | 第10-11页 |
| 1.3 全文安排 | 第11-12页 |
| 第二章 相关工作及研究现状 | 第12-17页 |
| 2.1 计算机视觉及图像标注 | 第12-13页 |
| 2.2 属性学习研究现状 | 第13-14页 |
| 2.3 稀疏特征选择研究现状 | 第14页 |
| 2.4 融合本体的图像机器学习方法研究现状 | 第14-15页 |
| 2.5 本章小结 | 第15-17页 |
| 第三章 本体与图融合lasso结合的属性学习 | 第17-34页 |
| 3.1 稀疏特征选择模型 | 第17-22页 |
| 3.1.1 Lasso和Elastic net | 第17-18页 |
| 3.1.2 组稀疏及结构性组稀疏选择 | 第18-19页 |
| 3.1.3 图融合lasso | 第19-20页 |
| 3.1.4 基于稀疏的属性学习 | 第20-21页 |
| 3.1.5 图融合lasso光滑近邻梯度方法求解 | 第21-22页 |
| 3.2 基于本体的度量空间及属性相似度度量 | 第22-28页 |
| 3.2.1 WordNet及其组织关系 | 第22页 |
| 3.2.2 基于WordNet相似度/相关度度量方法 | 第22-24页 |
| 3.2.3 基于WUP的属性相似关系图模型 | 第24-27页 |
| 3.2.4 基于WUP方法的图模型时间复杂度分析 | 第27-28页 |
| 3.3 本体与图融合lasso结合的特征选择算法 | 第28-29页 |
| 3.4 属性迁移学习整体框架 | 第29-33页 |
| 3.4.1 属性的迁移学习 | 第30-32页 |
| 3.4.2 属性迁移学习算法 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 属性特征选择及迁移学习实验 | 第34-43页 |
| 4.1 实验数据集 | 第34-36页 |
| 4.1.1 ImageNet及实验数据集结构 | 第34-36页 |
| 4.1.2 属性抽取 | 第36页 |
| 4.2 视觉特征提取及样本集划分 | 第36-37页 |
| 4.3 本体与图融合lasso结合的特征选择实验结果 | 第37-39页 |
| 4.3.1 AUC值分析 | 第38页 |
| 4.3.2 实验结果及分析 | 第38-39页 |
| 4.4 属性迁移学习实验结果 | 第39-42页 |
| 4.4.1 度量准则 | 第39-40页 |
| 4.4.2 分类结果分析 | 第40-42页 |
| 4.5 实验讨论 | 第42-43页 |
| 第五章 总结与展望 | 第43-44页 |
| 5.1 工作总结 | 第43页 |
| 5.2 未来展望 | 第43-44页 |
| 参考文献 | 第44-50页 |
| 发表论文和参加科研情况说明 | 第50-51页 |
| 致谢 | 第51-52页 |