基于多任务学习的自然图像分类方法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·选题的背景与意义 | 第8页 |
| ·图像检索与图像分类 | 第8-10页 |
| ·图像分类技术的现状及其所面临的挑战 | 第10-11页 |
| ·多任务学习 | 第11-12页 |
| ·本文的主要工作及章节安排 | 第12-14页 |
| 第二章 图像底层视觉特征的提取与特征的可视化 | 第14-39页 |
| ·图像颜色特征的表达 | 第14-22页 |
| ·空间颜色直方图与颜色量化 | 第15-19页 |
| ·颜色矩 | 第19-20页 |
| ·颜色聚合向量 | 第20-22页 |
| ·纹理特征的提取 | 第22-32页 |
| ·Tamura纹理特征 | 第23-26页 |
| ·灰度共生矩阵 | 第26-29页 |
| ·Gabor纹理特征 | 第29-32页 |
| ·形状特征的提取 | 第32-33页 |
| ·图像的底层视觉特征向量 | 第33-34页 |
| ·高维数据可视化 | 第34-38页 |
| ·平行坐标 | 第34-35页 |
| ·星形坐标 | 第35-36页 |
| ·Chernoff脸 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 第三章 几种常用的分类方法 | 第39-52页 |
| ·分类 | 第39-40页 |
| ·支持向量机 | 第40-44页 |
| ·核函数的引入 | 第41-42页 |
| ·松弛变量的引入 | 第42-43页 |
| ·多类问题的分类 | 第43-44页 |
| ·贝叶斯分类器 | 第44-45页 |
| ·人工神经网络 | 第45-49页 |
| ·最邻近分类器 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第四章 多任务学习在自然图像分类中的应用 | 第52-74页 |
| ·多任务学习 | 第52-58页 |
| ·额外任务—主任务模式 | 第53-58页 |
| ·主任务并行学习机制 | 第58页 |
| ·任务间的相关性分析 | 第58-61页 |
| ·线性相关性 | 第59-60页 |
| ·类代表向量的获取与相关性的表达 | 第60-61页 |
| ·任务聚类 | 第61-62页 |
| ·实验结果与分析 | 第62-72页 |
| ·实验对象与实验目的 | 第62页 |
| ·网络拓扑结构及其分类性能 | 第62-72页 |
| ·本章小结 | 第72-74页 |
| 总结与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的学术成果 | 第80-82页 |
| 1. 发表论文 | 第80页 |
| 2. 项目情况 | 第80-82页 |
| 致谢 | 第82-83页 |
