基于多视图学习的大规模图像分类的研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 引言 | 第9-10页 |
| 1.2 研究背景 | 第10-11页 |
| 1.3 待研究的问题 | 第11-12页 |
| 1.4 本文的工作 | 第12-13页 |
| 第二章 基于强特征辅助的弱特征图像分类 | 第13-23页 |
| 2.1 引言 | 第13页 |
| 2.2 相关工作 | 第13-15页 |
| 2.2.1 半监督学习与未标记样本的使用 | 第14页 |
| 2.2.2 多视图学习 | 第14-15页 |
| 2.3 AMC算法 | 第15-17页 |
| 2.3.1 问题的形式化 | 第15页 |
| 2.3.2 问题求解 | 第15-17页 |
| 2.4 实验 | 第17-21页 |
| 2.4.1 图像分类测试 | 第17-19页 |
| 2.4.2 行人检测测试 | 第19-21页 |
| 2.5 小结 | 第21-23页 |
| 第三章 按序抽取特征算法 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 相关工作 | 第23-24页 |
| 3.3 DFE算法 | 第24-28页 |
| 3.3.1 符号表示 | 第24页 |
| 3.3.2 DFE算法的训练过程 | 第24-25页 |
| 3.3.3 DFE算法在线预测过程 | 第25-27页 |
| 3.3.4 自动取得训练数据的特征抽取序列 | 第27-28页 |
| 3.4 实验 | 第28-31页 |
| 3.4.1 实验设定 | 第28-30页 |
| 3.4.2 实验结果 | 第30-31页 |
| 3.5 小结 | 第31-33页 |
| 第四章 基于并行计算的大规模支持向量机 | 第33-43页 |
| 4.1 引言 | 第33页 |
| 4.2 相关工作 | 第33-36页 |
| 4.2.1 Map-Reduce框架 | 第33-35页 |
| 4.2.2 支持向量机 | 第35-36页 |
| 4.3 LS2VM算法 | 第36-39页 |
| 4.3.1 One-Vs-Rest算法 | 第36-37页 |
| 4.3.2 缓存支持向量算法 | 第37-39页 |
| 4.4 实验 | 第39-42页 |
| 4.4.1 实验设置 | 第39-40页 |
| 4.4.2 实验结果 | 第40-42页 |
| 4.5 小结 | 第42-43页 |
| 第五章 结束语 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48-49页 |
| 附录 | 第49-50页 |
