基于自学习的图像分类算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| ·论文选题的背景与意义 | 第8-9页 |
| ·国内外研究的现状 | 第9-13页 |
| ·无监督学习的图像分类算法 | 第9-10页 |
| ·监督学习类的图像分类算法 | 第10-13页 |
| ·本文主要研究内容和论文组织结构 | 第13-15页 |
| 第二章 自学习算法 | 第15-24页 |
| ·自学习算法理论基础 | 第15页 |
| ·提取基向量 | 第15-18页 |
| ·稀疏编码 | 第16-17页 |
| ·改进的稀疏编码 | 第17-18页 |
| ·图像特征重构 | 第18-19页 |
| ·支持向量机 SVM | 第19-20页 |
| ·线性可分的 SVM | 第19-20页 |
| ·线性不可分的 SVM | 第20页 |
| ·自学习算法 | 第20-21页 |
| ·自学习算法的几种改进算法 | 第21-23页 |
| ·基于目标局部特征的迁移式学习算法 | 第21-22页 |
| ·非负稀疏矩阵学习算法 | 第22-23页 |
| ·多事例自学习学习算法 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基于图像目标特征空间自学习算法 | 第24-36页 |
| ·图像特征的构建 | 第24-26页 |
| ·尺度空间的极值点检测 | 第24-25页 |
| ·特征点精确定位 | 第25页 |
| ·特征点方向匹配 | 第25-26页 |
| ·特征描述符生成 | 第26页 |
| ·建立目标特征空间 | 第26-30页 |
| ·建立目标区域 | 第27-29页 |
| ·建立目标空间 | 第29-30页 |
| ·基于投票机制的多重判定 | 第30-32页 |
| ·多重判定必要性分析 | 第30-31页 |
| ·投票机制下基于图像目标特征空间自学习分类算法 | 第31-32页 |
| ·实验结果与分析 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 迁移式监督自学习图像分类算法 | 第36-48页 |
| ·迁移式监督自学习模型 | 第36-39页 |
| ·二分类迁移式监督自学习模型 | 第36-38页 |
| ·多分类迁移式监督自学习模型 | 第38-39页 |
| ·利用相关图像更新分类器 | 第39-42页 |
| ·基于 SIFT 特征的图像检索算法 | 第39-41页 |
| ·利用相关图像样本更新分类器 | 第41-42页 |
| ·迁移式监督自学习图像分类算法 | 第42-44页 |
| ·实验结果与分析 | 第44-47页 |
| ·本章总结 | 第47-48页 |
| 第五章 基于增量层次狄利克雷过程模型的自学习算法 | 第48-57页 |
| ·层次狄利克雷过程模型 | 第48-49页 |
| ·基于增量层次狄利克雷过程模型自学习算法 | 第49-53页 |
| ·增量学习机制下的分类器主题模型 | 第50-51页 |
| ·对新图像进行分类并标识 | 第51-52页 |
| ·算法步骤 | 第52-53页 |
| ·实验结果与分析 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 主要结论与展望 | 第57-59页 |
| 主要结论 | 第57页 |
| 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第63页 |
