| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景和意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-17页 |
| 1.3.1 多示例学习 | 第11-13页 |
| 1.3.2 多标记学习 | 第13-14页 |
| 1.3.3 多示例多标记学习 | 第14-17页 |
| 1.4 论文主要内容及组织结构 | 第17-18页 |
| 第2章 自然场景图像的包生成方法 | 第18-25页 |
| 2.1 基于固定区域的包生成方法 | 第18-20页 |
| 2.2 基于图像分割的包生成方法 | 第20-22页 |
| 2.3 实验结果与分析 | 第22-24页 |
| 2.3.1 实验图像集 | 第22-23页 |
| 2.3.2 创建MIML数据集 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 针对自然场景图像分类的经典MIML学习算法研究 | 第25-39页 |
| 3.1 基于退化策略的MIML算法 | 第25-30页 |
| 3.1.1 MIMLBOOST算法 | 第26-28页 |
| 3.1.2 MIMLSVM算法 | 第28-30页 |
| 3.2 M~3MIML算法 | 第30-34页 |
| 3.3 MIML-KNN算法 | 第34-36页 |
| 3.4 实验结果与分析 | 第36-38页 |
| 3.4.1 算法评价指标 | 第36-37页 |
| 3.4.2 实验设计 | 第37页 |
| 3.4.3 实验结果与分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于神经网络的自然场景图像分类的MIML算法及改进 | 第39-53页 |
| 4.1 两种神经网络结构 | 第39-41页 |
| 4.1.1 BP神经网络 | 第39-40页 |
| 4.1.2 RBF神经网络 | 第40-41页 |
| 4.2 基于RBF神经网络的MIML算法 | 第41-43页 |
| 4.3 基于RBF神经网络的MIML算法改进 | 第43-46页 |
| 4.3.1 包间距离的度量方式及改进 | 第43-46页 |
| 4.3.2 改进算法的基本流程 | 第46页 |
| 4.4 实验结果与分析 | 第46-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 工作总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53-54页 |
| 5.2 工作展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |