| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 本文研究背景及意义 | 第15-16页 |
| 1.2 多标记学习研究现状 | 第16-19页 |
| 1.2.1 多标记学习 | 第16-17页 |
| 1.2.2 多标记学习的国内外研究现状 | 第17-19页 |
| 1.3 典型的多标记分类方法 | 第19-20页 |
| 1.3.1 多标记k近邻 | 第19页 |
| 1.3.2 多标记支撑矢量机 | 第19-20页 |
| 1.3.3 排序支撑矢量机 | 第20页 |
| 1.4 本文研究内容及结构安排 | 第20-23页 |
| 第二章 SIFT表示和编码理论基础 | 第23-37页 |
| 2.1 SIFT特征提取 | 第23-29页 |
| 2.1.1 SIFT特征 | 第23-24页 |
| 2.1.2 SIFT特征提取 | 第24-29页 |
| 2.2 SIFT特征编码 | 第29-33页 |
| 2.2.1 词袋模型 | 第29-31页 |
| 2.2.2 稀疏编码 | 第31-32页 |
| 2.2.3 局部线性约束编码 | 第32-33页 |
| 2.3 空间金字塔模型 | 第33页 |
| 2.4 维数约简 | 第33-37页 |
| 2.4.1 主成分分析降维 | 第34页 |
| 2.4.2 限制玻尔兹曼机降维 | 第34-37页 |
| 第三章 基于SIFT特征表示和稀疏编码的多标记分类 | 第37-61页 |
| 3.1 多标记分类的评价参数 | 第37-39页 |
| 3.2 基于SIFT表示和稀疏编码的空间金字塔多标记分类框架 | 第39-41页 |
| 3.3 基于SIFT特征表示和稀疏编码的多标记分类 | 第41-42页 |
| 3.3.1 算法设计思想 | 第41页 |
| 3.3.2 基于SIFT特征表示和稀疏编码的自然场景多标记分类 | 第41-42页 |
| 3.4 实验结果及分析 | 第42-61页 |
| 3.4.1 对original图像库的实验结果 | 第43-45页 |
| 3.4.2 算法的有效性分析 | 第45-47页 |
| 3.4.3 算法的鲁棒性分析 | 第47-61页 |
| 第四章 基于SIFT特征表示和局部线性约束编码的多标记分类 | 第61-79页 |
| 4.1 SIFT特征表示和局部线性约束编码的动机 | 第61页 |
| 4.2 基于SIFT特征表示和局部约束编码多标记分类框架 | 第61-62页 |
| 4.3 基于SIFT特征表示和局部线性约束编码的多标记分类 | 第62-65页 |
| 4.4 实验结果及分析 | 第65-79页 |
| 4.4.1 对original数据的实验结果 | 第65-66页 |
| 4.4.2 算法的有效性分析 | 第66-69页 |
| 4.4.3 算法的鲁棒性分析 | 第69-79页 |
| 第五章 总结和展望 | 第79-81页 |
| 5.1 本文工作总结 | 第79页 |
| 5.2 多标记分类研究中存在的问题和难点 | 第79-80页 |
| 5.3 进一步工作的展望 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |
