| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 图像分类的研究现状 | 第10-11页 |
| 1.2.2 基于半监督学习的图像分类研究现状 | 第11-13页 |
| 1.2.3 基于主动学习的图像分类研究现状 | 第13页 |
| 1.3 主要研究内容与创新点 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-17页 |
| 第2章 相关理论 | 第17-33页 |
| 2.1 机器学习 | 第17-21页 |
| 2.1.1 机器学习的学习策略 | 第17-19页 |
| 2.1.2 监督学习和无监督学习 | 第19-21页 |
| 2.2 半监督学习 | 第21-27页 |
| 2.2.1 半监督学习的概念 | 第21-22页 |
| 2.2.2 半监督学习的数学描述 | 第22-23页 |
| 2.2.3 半监督学习的两个基本假设 | 第23页 |
| 2.2.4 半监督学习方法 | 第23-27页 |
| 2.3 主动学习 | 第27-29页 |
| 2.3.1 主动学习的基本概念 | 第27-28页 |
| 2.3.2 主动学习的学习方法 | 第28-29页 |
| 2.4 朴素贝叶斯分类器相关理论 | 第29-32页 |
| 2.4.1 简介 | 第29页 |
| 2.4.2 贝叶斯公式 | 第29-30页 |
| 2.4.3 朴素贝叶斯分类器 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于半监督学习的图像分类 | 第33-43页 |
| 3.1 协同训练(Co-training)算法 | 第33-34页 |
| 3.2 集成学习算法 | 第34-35页 |
| 3.2.1 Bagging算法 | 第34-35页 |
| 3.2.2 随机子空间(RSM)算法 | 第35页 |
| 3.3 基于半监督学习的图像分类算法研究 | 第35-36页 |
| 3.4 实验结果与分析 | 第36-41页 |
| 3.4.1 实验图像库 | 第37页 |
| 3.4.2 模型一：Bagging+Semi-supervised(BaS) | 第37-38页 |
| 3.4.3 模型二：RSM+Semi-puservised(RSMS) | 第38-39页 |
| 3.4.4 实验对比 | 第39-40页 |
| 3.4.5 实验分析 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 基于主动学习的图像分类 | 第43-51页 |
| 4.1 主动学习中的选择策略 | 第43-46页 |
| 4.1.1 不确定性抽样 | 第43-44页 |
| 4.1.2 基于分类风险的样例选择 | 第44-45页 |
| 4.1.3 委员会投票 | 第45-46页 |
| 4.2 基于主动学习的图像分类算法研究 | 第46-50页 |
| 4.2.1 主动学习的主要思路 | 第46-47页 |
| 4.2.2 样例选择策略 | 第47-49页 |
| 4.2.3 最佳数据询问数量 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第5章 融合主动学习的半监督技术在图像分类上的研究 | 第51-57页 |
| 5.1 结合动机 | 第51页 |
| 5.2 融合主动学习的半监督算法模型分析 | 第51-52页 |
| 5.3 实验数据集和设置 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-55页 |
| 5.4.1 分类精确度对比 | 第53-54页 |
| 5.4.2 多样性评估 | 第54-55页 |
| 5.5 本章小结 | 第55-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士学位期间发表的论文 | 第65页 |
