| Acknowledgements | 第6-7页 |
| Abstract | 第7-8页 |
| Contents | 第9-13页 |
| List of Figures | 第13-17页 |
| List of Tables | 第17-19页 |
| Nomenclature | 第19-20页 |
| Chapter 1 Introduction | 第20-30页 |
| 1.1 Introduction | 第20-23页 |
| 1.2 Pattern recognition process | 第23-25页 |
| 1.3 Problem statement | 第25-28页 |
| 1.4 Thesis Contributions and outline | 第28-30页 |
| Chapter 2 Supervised vs.unsupervised learning | 第30-68页 |
| 2.1 Introduction | 第30-31页 |
| 2.2 Supervised algorithms | 第31-56页 |
| 2.2.1 Decision tree learner | 第32-34页 |
| 2.2.1.1 C4.5 | 第32-34页 |
| 2.2.2 Adaboost | 第34-38页 |
| 2.2.2.1 Weak classifier | 第35-36页 |
| 2.2.2.2 Strong classifier | 第36-38页 |
| 2.2.3 Support Vector Machine | 第38-46页 |
| 2.2.3.1 Margin | 第39-40页 |
| 2.2.3.2 Linear SVM | 第40-44页 |
| 2.2.3.3 Non-linear SVM | 第44-46页 |
| 2.2.4 Artificial Neural Networks | 第46-56页 |
| 2.2.4.1 Operation of a layered feed-forward ANN | 第48-50页 |
| 2.2.4.2 Backpropagation | 第50-52页 |
| 2.2.4.3 Multi-layer Perceptron | 第52-54页 |
| 2.2.4.4 Radial Basis Function neural network | 第54-56页 |
| 2.2.5 k-Nearest Neighbor | 第56页 |
| 2.3 Unsupervised algorithms | 第56-68页 |
| 2.3.1 Hierarchical Clustering | 第57-58页 |
| 2.3.2 k-means | 第58-60页 |
| 2.3.3 Self-Organizing Maps | 第60-68页 |
| Chapter 3 Generalizing binary classifiers to multiclass classifiers | 第68-80页 |
| 3.1 Introduction | 第68-69页 |
| 3.2 Decomposition strategies | 第69-73页 |
| 3.2.1 One-Against-All | 第71页 |
| 3.2.2 One-Against-One | 第71-72页 |
| 3.2.3 Error-Correcting Output Code | 第72-73页 |
| 3.3 Hierarchical strategies | 第73-75页 |
| 3.4 Stacked Generalization | 第75-77页 |
| 3.5 Single optimization strategy | 第77-80页 |
| Chapter 4 MPC-based multiclass classification | 第80-98页 |
| 4.1 Meta Probability Code | 第80-81页 |
| 4.2 MPC-based algorithm | 第81-86页 |
| 4.2.1 Overview | 第82页 |
| 4.2.2 Cluster post-processing | 第82-84页 |
| 4.2.3 Toy example | 第84-86页 |
| 4.3 Experiments and Results | 第86-95页 |
| 4.3.1 Datasets | 第86页 |
| 4.3.2 Effectiveness of the proposed approach | 第86-90页 |
| 4.3.2.1 MPC vs.MBC | 第90页 |
| 4.3.3 Classification results | 第90-92页 |
| 4.3.3.1 Experiments famework and protocol | 第90-92页 |
| 4.3.3.2 Results | 第92页 |
| 4.3.4 Comparison with other multi-class classifiers | 第92-95页 |
| 4.4 Conclusion | 第95-98页 |
| Chapter 5 Application to facial expression recognition | 第98-127页 |
| 5.1 Introduction | 第98-100页 |
| 5.2 Literature review | 第100-103页 |
| 5.3 MPC-based FER framework | 第103-105页 |
| 5.4 Features for facial representation | 第105-113页 |
| 5.4.1 Local Binary Pattern | 第107-108页 |
| 5.4.2 Gabor-wavelet | 第108-110页 |
| 5.4.3 Zernike moments | 第110-111页 |
| 5.4.4 Facial fiducial points | 第111-113页 |
| 5.5 Experimental studies | 第113-126页 |
| 5.5.1 Datasets | 第113-114页 |
| 5.5.2 Performance evaluation | 第114-120页 |
| 5.5.3 Statistical comparison of the FER systems | 第120-123页 |
| 5.5.3.1 Visualizing the effectiveness of MPC | 第122-123页 |
| 5.5.4 Generalization performance on across datasets | 第123-126页 |
| 5.6 Conclusion | 第126-127页 |
| Chapter 6 Application to face recognition | 第127-139页 |
| 6.1 Introduction | 第127-129页 |
| 6.2 Literature review | 第129-133页 |
| 6.3 Experimental studies | 第133-136页 |
| 6.3.1 Datasets | 第134-135页 |
| 6.3.2 Performance evaluation | 第135-136页 |
| 6.4 Conclusion | 第136-139页 |
| Chapter 7 Conclusion and future direction | 第139-143页 |
| 7.1 Conclusion | 第139-141页 |
| 7.2 Future work | 第141-143页 |
| Bibliography | 第143-157页 |
| List of publications | 第157页 |
