| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 1 绪论 | 第11-21页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-17页 |
| ·常规图像检索技术发展 | 第12-16页 |
| ·多示例图像检索技术发展 | 第16-17页 |
| ·本文的主要工作 | 第17-19页 |
| ·论文安排 | 第19-21页 |
| 2 多示例学习综述 | 第21-33页 |
| ·多示例学习算法简介 | 第21-24页 |
| ·问题的提出 | 第21-22页 |
| ·多示例学习的意义 | 第22-23页 |
| ·多示例学习与传统学习框架的区别 | 第23-24页 |
| ·多示例学习的理论与算法研究 | 第24-28页 |
| ·轴-平行矩形算法 | 第25-26页 |
| ·K-近邻算法 | 第26-27页 |
| ·DD 算法 | 第27-28页 |
| ·EM-DD 算法 | 第28页 |
| ·多示例与图像检索关系 | 第28-29页 |
| ·应用分析 | 第29-31页 |
| ·本章小结 | 第31-33页 |
| 3 标签因子辅助识别及多示例标注研究 | 第33-55页 |
| ·基于 Internet 图像检索技术发展 | 第33-34页 |
| ·从文档集推导 html 标签影响因子的算法 | 第34-42页 |
| ·引言 | 第34-35页 |
| ·一些基本概念 | 第35-36页 |
| ·标签影响因子算法 | 第36-38页 |
| ·应用标签影响因子的 VSM 检索算法 | 第38-39页 |
| ·实验结果 | 第39-42页 |
| ·结论 | 第42页 |
| ·图像标注技术发展 | 第42-49页 |
| ·基于全局特征的图像标注方法 | 第44-45页 |
| ·基于区域划分的图像标注方法 | 第45-49页 |
| ·基于 AFSVM-MIL 算法的图像标注 | 第49-55页 |
| ·引言 | 第49-50页 |
| ·采用 AFSVM-MIL 的自动标注 | 第50-53页 |
| ·实验结果 | 第53-54页 |
| ·结论 | 第54-55页 |
| 4 多示例图像检索算法研究与改进 | 第55-79页 |
| ·标准多示例图像检索流程 | 第55-56页 |
| ·改进 Hausdorff 距离 k 均值多示例算法概述 | 第56-59页 |
| ·研究现状 | 第56-57页 |
| ·改进 Hausdorff 距离 k 均值多示例算法流程 | 第57-59页 |
| ·改进算法图像前处理 | 第59-68页 |
| ·图像预处理 | 第59-61页 |
| ·图像分割 | 第61-63页 |
| ·颜色特征 | 第63-65页 |
| ·纹理特征 | 第65-66页 |
| ·形状和轮廓特征 | 第66-68页 |
| ·改进 Hausdorff 距离 k 均值多示例学习算法 | 第68-72页 |
| ·分类器及其使用 | 第68-69页 |
| ·Hausdorff 距离概述 | 第69页 |
| ·改进的 Hausdorff 距离 | 第69-70页 |
| ·K 均值算法概述 | 第70-71页 |
| ·基于改进 Hausdorff 距离的 k 均值算法 | 第71-72页 |
| ·实验结果 | 第72-78页 |
| ·实验一 | 第72-74页 |
| ·实验二 | 第74-76页 |
| ·实验三 | 第76-78页 |
| ·结论 | 第78-79页 |
| 5 多示例图像检索技术在人脸识别领域的应用 | 第79-105页 |
| ·人脸识别技术的发展 | 第79-85页 |
| ·人脸识别的发展 | 第79-80页 |
| ·主流算法 | 第80-84页 |
| ·人脸识别中的难点 | 第84-85页 |
| ·基于 EMD 的融合特征快速多示例人脸识别算法 | 第85-95页 |
| ·引言 | 第85-86页 |
| ·人脸识别 IFEMD-MIL 框架 | 第86-90页 |
| ·实验结果 | 第90-94页 |
| ·结论 | 第94-95页 |
| ·阈值控制下的股权多示例融合人脸识别技术 | 第95-105页 |
| ·引言 | 第95页 |
| ·股权投票多示例人脸识别 | 第95-100页 |
| ·实验结果 | 第100-103页 |
| ·结论 | 第103-105页 |
| 6 总结与展望 | 第105-109页 |
| ·总结 | 第105-106页 |
| ·展望 | 第106-109页 |
| 致谢 | 第109-111页 |
| 参考文献 | 第111-123页 |
| 附录 | 第123页 |
