| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 第1章 绪论 | 第10-13页 |
| ·课题背景 | 第10-11页 |
| ·研究内容和目标 | 第11页 |
| ·本文组织结构 | 第11-12页 |
| ·本章小结 | 第12-13页 |
| 第2章 自动图像标注 | 第13-21页 |
| ·基于概率学习的方法 | 第14-16页 |
| ·人工神经网络 | 第16-17页 |
| ·支持向量机 | 第17-18页 |
| ·决策树 | 第18-19页 |
| ·K-近邻 | 第19-20页 |
| ·模板匹配 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第3章 稀疏约束 | 第21-24页 |
| ·稀疏信号 | 第21-22页 |
| ·最佳词典 | 第22页 |
| ·LASSO | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第4章 多标签图像标注 | 第24-36页 |
| ·多标注稀疏编码 | 第25-30页 |
| ·全局高斯混合模型 | 第26页 |
| ·针对单张图片的高斯混合模型 | 第26页 |
| ·超向量表征 | 第26-27页 |
| ·多标注线性嵌入方法 | 第27-30页 |
| ·多任务稀疏判别分析 | 第30-33页 |
| ·最大化相关性的多标注降维 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第5章 基于稀疏logistic回归的图像标注 | 第36-45页 |
| ·概述 | 第36-37页 |
| ·基于稀疏logistic回归的视觉特征-标注相关性 | 第37-41页 |
| ·稀疏logistic回归 | 第38-39页 |
| ·基于稀疏logistic回归的相关性学习 | 第39-41页 |
| ·相关实验 | 第41-44页 |
| ·图像标注数据集 | 第41页 |
| ·估计准则 | 第41-42页 |
| ·比较方案 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第6章 基于双层logistic回归的图像多标注 | 第45-55页 |
| ·概述 | 第45-46页 |
| ·双层稀疏logistic模型的建立 | 第46-50页 |
| ·第一层(1):视觉特征和关键词的关系 | 第47-48页 |
| ·第一层(2):不同关键词之间的相关性 | 第48-49页 |
| ·第二层:两类关系的结合 | 第49-50页 |
| ·吉布斯采样 | 第50页 |
| ·计算问题 | 第50-52页 |
| ·计算复杂度 | 第50-51页 |
| ·算法收敛性 | 第51页 |
| ·参数调整 | 第51-52页 |
| ·实验比较方案 | 第52-53页 |
| ·本章小结 | 第53-55页 |
| 第7章 总结与展望 | 第55-56页 |
| ·总结 | 第55页 |
| ·未来研究方向 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士学位期间主要的研究成果 | 第62-63页 |
| 致谢 | 第63页 |