| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-22页 |
| ·课题背景及意义 | 第12-14页 |
| ·监督、无监督与半监督学习 | 第14-18页 |
| ·监督学习 | 第14-15页 |
| ·无监督学习 | 第15页 |
| ·半监督学习 | 第15-17页 |
| ·半监督学习的应用领域 | 第17-18页 |
| ·基于图的半监督学习 | 第18-19页 |
| ·本文的研究内容 | 第19-21页 |
| ·本文的组织结构 | 第21-22页 |
| 第二章 基于图的半监督学习研究概述 | 第22-50页 |
| ·半监督学习假设 | 第22-24页 |
| ·半监督平滑性假设 | 第23页 |
| ·聚类假设 | 第23-24页 |
| ·流形假设 | 第24页 |
| ·基于图的半监督学习算法 | 第24-33页 |
| ·标记传递算法 | 第25-27页 |
| ·最小割 | 第27-28页 |
| ·调和函数 | 第28-31页 |
| ·流形正则化 | 第31-33页 |
| ·基于图的半监督学习与谱图理论 | 第33-35页 |
| ·基于图的半监督学习的关键问题 | 第35-38页 |
| ·图的构建 | 第35-36页 |
| ·相似性计算 | 第36-37页 |
| ·图 Laplacian 谱变换 | 第37-38页 |
| ·其他几种常见的半监督学习算法 | 第38-48页 |
| ·产生式模型 | 第38-43页 |
| ·自训练 | 第43-44页 |
| ·协同训练 | 第44-46页 |
| ·最大间隔分割 | 第46-48页 |
| ·其他一些重要的文献 | 第48-50页 |
| 第三章 基于图收缩的半监督聚类算法研究 | 第50-77页 |
| ·引言 | 第50-52页 |
| ·相关研究 | 第52-66页 |
| ·顺序算法 | 第52-55页 |
| ·层次聚类算法 | 第55-58页 |
| ·基于代价函数最优的方法 | 第58-66页 |
| ·基于图收缩的半监督聚类算法 | 第66-72页 |
| ·图的构建与收缩 | 第67-72页 |
| ·实验结果与分析 | 第72-76页 |
| ·实验数据集 | 第72-73页 |
| ·对比算法 | 第73页 |
| ·参数设定 | 第73-74页 |
| ·实验过程与结果 | 第74-76页 |
| ·总结 | 第76-77页 |
| 第四章 基于图的半监督学习与主动学习的维数约减 | 第77-104页 |
| ·维数约减的研究背景与现状 | 第77-90页 |
| ·无监督降维 | 第78-83页 |
| ·有监督降维 | 第83-88页 |
| ·半监督降维 | 第88-90页 |
| ·基于图的半监督学习与主动学习的维度约减 | 第90-97页 |
| ·算法框架 | 第92-97页 |
| ·实验结果与分析 | 第97-102页 |
| ·实验数据集 | 第97-98页 |
| ·对比算法 | 第98-99页 |
| ·性能评价指标与参数设置 | 第99-100页 |
| ·实验结果 | 第100-102页 |
| ·总结 | 第102-104页 |
| 第五章 应用图像分割和基于图的半监督学习的图像标注 | 第104-122页 |
| ·引言 | 第104-106页 |
| ·自动图像标注的关键技术与研究现状 | 第106-111页 |
| ·图像的底层视觉特征 | 第106-108页 |
| ·图像自动标注模型 | 第108-111页 |
| ·算法框架及实现 | 第111-118页 |
| ·算法框架概述 | 第112-113页 |
| ·图像分割 | 第113-114页 |
| ·局部区域特征表达 | 第114页 |
| ·构建所有图像局部区域的哈希表 | 第114-115页 |
| ·构建所有图像局部区域的 kNN 图 | 第115-116页 |
| ·构建图像 kNN 图及标注图像 | 第116-118页 |
| ·实验结果与分析 | 第118-121页 |
| ·总结 | 第121-122页 |
| 总结和展望 | 第122-125页 |
| 参考文献 | 第125-141页 |
| 攻读博士/硕士学位期间取得的研究成果 | 第141-142页 |
| 致谢 | 第142-143页 |
| 附件 | 第143页 |