面向图像分类的主动学习算法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第12-26页 |
| 1.1 研究背景与研究意义 | 第12-13页 |
| 1.2 主动学习算法及研究现状 | 第13-23页 |
| 1.2.1 主动学习的一般过程与分类 | 第13-16页 |
| 1.2.2 研究现状 | 第16-22页 |
| 1.2.3 主动学习的评价指标 | 第22-23页 |
| 1.3 本文研究工作概述 | 第23-24页 |
| 1.4 本文的内容安排 | 第24-26页 |
| 2 基于近邻保持D-实验设计的主动学习算法 | 第26-44页 |
| 2.1 引言 | 第26-27页 |
| 2.2 传统的最优实验设计方法(OED) | 第27-28页 |
| 2.3 直推实验设计方法(TED) | 第28-30页 |
| 2.4 近邻保持D-实验设计方法 | 第30-36页 |
| 2.4.1 近邻保持回归 | 第30-31页 |
| 2.4.2 近邻保持D-实验设计 | 第31-33页 |
| 2.4.3 非线性近邻保持D-实验设计 | 第33-36页 |
| 2.5 实验 | 第36-43页 |
| 2.5.1 合成数据实验 | 第36-37页 |
| 2.5.2 场景分类 | 第37-39页 |
| 2.5.3 地表分析 | 第39-43页 |
| 2.6 本章小结 | 第43-44页 |
| 3 基于动态规划的多准则主动学习算法 | 第44-64页 |
| 3.1 引言 | 第44-45页 |
| 3.2 最大密度最小冗余的主动学习方法 | 第45-53页 |
| 3.2.1 密度与冗余度的度量 | 第45-47页 |
| 3.2.2 动态规划解法 | 第47-49页 |
| 3.2.3 实验 | 第49-53页 |
| 3.3 组合不确定度与多样性准则的主动学习算法 | 第53-61页 |
| 3.3.1 不确定度与多样性度量 | 第54-56页 |
| 3.3.2 主动学习方法 | 第56-57页 |
| 3.3.3 实验 | 第57-61页 |
| 3.4 本章小结 | 第61-64页 |
| 4 基于二次规划和子模块函数的多准则主动学习算法 | 第64-80页 |
| 4.1 引言 | 第64页 |
| 4.2 多类批模式主动学习方法 | 第64-67页 |
| 4.2.1 不确定度 | 第65页 |
| 4.2.2 密度 | 第65-66页 |
| 4.2.3 冗余性 | 第66页 |
| 4.2.4 目标函数 | 第66-67页 |
| 4.3 近似方法1：二次规划方法 | 第67-70页 |
| 4.3.1 增广拉格朗日乘子法 | 第68-70页 |
| 4.4 近似方法2：子模块函数方法 | 第70-74页 |
| 4.5 实验 | 第74-78页 |
| 4.5.1 地表分类 | 第74-76页 |
| 4.5.2 手写字体识别 | 第76-77页 |
| 4.5.3 场景分类 | 第77-78页 |
| 4.5.4 时间分析 | 第78页 |
| 4.6 本章小结 | 第78-80页 |
| 5 结合半监督学习的主动学习方法 | 第80-92页 |
| 5.1 引言 | 第80-81页 |
| 5.2 局部全局一致性学习(LLGC) | 第81-83页 |
| 5.3 结合半监督学习的主动学习 | 第83-86页 |
| 5.4 实验 | 第86-91页 |
| 5.4.1 场景分类 | 第86-88页 |
| 5.4.2 地表分类 | 第88页 |
| 5.4.3 在Corel数据集上的图像分类 | 第88-91页 |
| 5.5 本章小结 | 第91-92页 |
| 6 总结与展望 | 第92-96页 |
| 6.1 本文工作总结 | 第92-94页 |
| 6.2 未来工作展望 | 第94-96页 |
| 致谢 | 第96-98页 |
| 参考文献 | 第98-112页 |
| 附录 | 第112-113页 |
