| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景和意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-14页 |
| 1.3.1 多示例学习 | 第11-12页 |
| 1.3.2 多标签学习 | 第12页 |
| 1.3.3 多示例多标签学习 | 第12-14页 |
| 1.4 论文主要内容及组织结构 | 第14-16页 |
| 第2章 经典多示例多标签分类算法框架 | 第16-31页 |
| 2.1 多示例多标签算法框架 | 第16-17页 |
| 2.2 基于SBN的MIML特征提取 | 第17-19页 |
| 2.3 多示例多标签经典分类器算法研究 | 第19-28页 |
| 2.3.1 基于退化思想的多示例多标签分类器算法 | 第19-20页 |
| 2.3.2 M3MIML算法 | 第20-23页 |
| 2.3.3 MIML-KNN算法 | 第23-25页 |
| 2.3.4 MIMLRBF算法 | 第25-28页 |
| 2.4 实验与分析 | 第28-30页 |
| 2.4.1 算法评价指标 | 第28-29页 |
| 2.4.2 实验结果与分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于稀疏编码与多层神经网的多示例多标签算法 | 第31-46页 |
| 3.1 基于稀疏编码与多层神经网的MIML算法原理与框架 | 第31-34页 |
| 3.1.1 基于稀疏编码与多层神经网的MIML算法框架 | 第31-32页 |
| 3.1.2 稀疏编码算法 | 第32-33页 |
| 3.1.3 多层神经网分类算法 | 第33-34页 |
| 3.2 基于稀疏编码与多层神经网的MIML算法实现 | 第34-37页 |
| 3.2.1 多示例特征包的稀疏化表达算法实现 | 第34-36页 |
| 3.2.2 基于多层神经网的MIML分类网络实现 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于CNN特征提取与稀疏子空间映射的多示例多标签算法 | 第46-62页 |
| 4.1 基于CNN特征与稀疏子空间的MIML算法原理与框架 | 第46-50页 |
| 4.1.1 基于CNN特征与稀疏子空间的MIML算法框架 | 第46-47页 |
| 4.1.2 基于卷积神经网的特征提取算法 | 第47-49页 |
| 4.1.3 稀疏子空间映射算法 | 第49-50页 |
| 4.2 基于CNN特征与稀疏子空间的MIML算法实现 | 第50-53页 |
| 4.2.1 基于CNN的MIML特征包提取算法实现 | 第50-51页 |
| 4.2.2 基于改进的稀疏子空间映射的MIML分类器算法实现 | 第51-53页 |
| 4.3 实验结果与分析 | 第53-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 论文工作总结 | 第62-63页 |
| 5.2 未来工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间获得与学位论文相关的科研成果目录 | 第69页 |
