基于多标记学习的图像标注关键技术研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第10-23页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 基于文本的图像检索 | 第10-11页 |
| 1.1.2 基于内容的图像检索 | 第11-12页 |
| 1.1.3 基于语义的图像检索 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 基于二分类的图像标注算法 | 第13-15页 |
| 1.2.2 基于多标记学习的图像标注算法 | 第15-18页 |
| 1.3 图像标注面临的问题 | 第18-20页 |
| 1.4 论文的主要研究内容 | 第20-21页 |
| 1.5 论文组织结构 | 第21-23页 |
| 第二章 多标记学习简介 | 第23-28页 |
| 2.1 引言 | 第23-24页 |
| 2.2 多标记学习定义 | 第24-25页 |
| 2.3 多标记算法的分类和创新策略 | 第25-26页 |
| 2.4 多标记算法的评价标准 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于局部近邻相关的多标记图像标注算法 | 第28-46页 |
| 3.1 引言 | 第28页 |
| 3.2 相关工作 | 第28-32页 |
| 3.2.1 K近邻算法 | 第29-30页 |
| 3.2.2 加权的K近邻算法 | 第30-31页 |
| 3.2.3 多标记K近邻算法 | 第31-32页 |
| 3.3 ML-WKNN算法 | 第32-35页 |
| 3.4 实验 | 第35-45页 |
| 3.4.1 Image图像标注 | 第36-40页 |
| 3.4.2 Yeast基因功能标注 | 第40-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于朴素贝叶斯的多标记图像标注算法 | 第46-66页 |
| 4.1 引言 | 第46-47页 |
| 4.2 相关工作 | 第47-52页 |
| 4.2.1 朴素贝叶斯 | 第47-49页 |
| 4.2.2 后验概率最大化的分析 | 第49页 |
| 4.2.3 极大似然估计和贝叶斯估计 | 第49-51页 |
| 4.2.4 多标记朴素贝叶算法 | 第51页 |
| 4.2.5 独立成分分析 | 第51-52页 |
| 4.3 IMLNB算法 | 第52-56页 |
| 4.4 实验 | 第56-64页 |
| 4.4.1 Image图像标注 | 第57-60页 |
| 4.4.2 Yeast基因功能标注 | 第60-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第五章 基于标记敏感特征的多标记图像标注算法 | 第66-82页 |
| 5.1 引言 | 第66-67页 |
| 5.2 相关工作 | 第67-69页 |
| 5.2.1 K-means算法 | 第67-69页 |
| 5.2.2 LIFT算法 | 第69页 |
| 5.3 LTFML算法 | 第69-72页 |
| 5.4 实验 | 第72-81页 |
| 5.4.1 Image图像标注 | 第72-76页 |
| 5.4.2 Yeast基因功能标注 | 第76-81页 |
| 5.5 本章小结 | 第81-82页 |
| 第六章 一种新型的多标记图像标注集成算法 | 第82-93页 |
| 6.1 引言 | 第82页 |
| 6.2 相关工作 | 第82-85页 |
| 6.2.1 集成学习概述 | 第82-83页 |
| 6.2.2 Bagging算法 | 第83-84页 |
| 6.2.3 最小最大模块化算法 | 第84-85页 |
| 6.3 BM~3算法 | 第85-88页 |
| 6.4 实验 | 第88-92页 |
| 6.4.1 数据集及评价指标说明 | 第88页 |
| 6.4.2 实验结果和分析 | 第88-89页 |
| 6.4.3 参数敏感度分析 | 第89-92页 |
| 6.5 本章小结 | 第92-93页 |
| 第七章 总结与展望 | 第93-96页 |
| 7.1 本文总结 | 第93-94页 |
| 7.2 研究展望 | 第94-96页 |
| 参考文献 | 第96-103页 |
| 攻读博士学位期间发表的部分学术论文 | 第103-104页 |
| 攻读博士学位期间参与的科研项目 | 第104-105页 |
| 致谢 | 第105-106页 |
