| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 引言 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 标签传播算法国内外研究进展 | 第11-15页 |
| 1.3 问题提出 | 第15页 |
| 1.4 内容安排 | 第15-17页 |
| 第二章 标签传播算法概述 | 第17-24页 |
| 2.1 基本原理 | 第17-18页 |
| 2.2 权重构建 | 第18-19页 |
| 2.2.1 LLE重构权 | 第18-19页 |
| 2.2.2 高斯核权重 | 第19页 |
| 2.3 直推式标签传播算法 | 第19-21页 |
| 2.4 归纳式标签传播算法 | 第21-24页 |
| 第三章 基于鲁棒和可靠度量的直推式标签传播算法 | 第24-42页 |
| 3.1 相关工作 | 第24-27页 |
| 3.1.1 联合嵌入学习和稀疏回归：无监督特征选择 | 第24-25页 |
| 3.1.2 基于核范数的2-DPCA图像特征提取算法 | 第25-27页 |
| 3.2 基于核范数可靠度量的直推式标签传播算法 | 第27-33页 |
| 3.2.1 目标函数 | 第27-29页 |
| 3.2.2 优化过程 | 第29-30页 |
| 3.2.3 分类方法 | 第30-31页 |
| 3.2.4 实验结果与分析 | 第31-33页 |
| 3.3 基于L2,1范数正则化的鲁棒标签传播算法 | 第33-40页 |
| 3.3.1 目标函数 | 第34-35页 |
| 3.3.2 优化过程 | 第35-36页 |
| 3.3.3 分类方法 | 第36-37页 |
| 3.3.4 实验结果与分析 | 第37-40页 |
| 3.4 小结 | 第40-42页 |
| 第四章 基于L2,1范数正则化稀疏编码的自适应近邻传播算法 | 第42-55页 |
| 4.1 相关工作:线性近邻传播线性算法 | 第42-43页 |
| 4.2 算法思想 | 第43-47页 |
| 4.2.1 目标函数 | 第44-45页 |
| 4.2.2 优化过程 | 第45-46页 |
| 4.2.3 分类方法 | 第46-47页 |
| 4.3 归纳式方法 | 第47-48页 |
| 4.4 实验结果与分析 | 第48-54页 |
| 4.4.1 自适应稀疏编码的权重可视化 | 第49-50页 |
| 4.4.2 人脸表示和识别 | 第50-52页 |
| 4.4.3 UCI常用数据集分类 | 第52页 |
| 4.4.4 鲁棒性检测 | 第52-53页 |
| 4.4.5 参数分析 | 第53-54页 |
| 4.5 小结 | 第54-55页 |
| 第五章 基于特征学习与判别聚类的自适应直推式分类算法 | 第55-71页 |
| 5.1 相关工作 | 第55-57页 |
| 5.2 算法思想 | 第57-62页 |
| 5.2.1 目标函数 | 第57-59页 |
| 5.2.2 优化过程 | 第59-61页 |
| 5.2.3 分类方法 | 第61-62页 |
| 5.3 归纳式方法 | 第62页 |
| 5.4 实验结果与分析 | 第62-70页 |
| 5.4.1 构造权重可视化 | 第63-64页 |
| 5.4.2 人脸识别 | 第64-66页 |
| 5.4.3 UCI数据集分类 | 第66-67页 |
| 5.4.5 鲁棒性检测 | 第67-68页 |
| 5.4.6 维度对分类的影响 | 第68-69页 |
| 5.4.7 参数分析 | 第69-70页 |
| 5.5 小结 | 第70-71页 |
| 第六章 交互式图像分割应用研究 | 第71-82页 |
| 6.1 功能介绍 | 第71-72页 |
| 6.2 系统说明 | 第72-79页 |
| 6.2.1 图像导入 | 第72-73页 |
| 6.2.2 分割算法选择 | 第73-74页 |
| 6.2.3 人工标记 | 第74-77页 |
| 6.2.4 图像分割 | 第77-78页 |
| 6.2.5 分割结果展示与保存 | 第78-79页 |
| 6.3 实验结果与分析 | 第79-81页 |
| 6.4 小结 | 第81-82页 |
| 第七章 总结与展望 | 第82-85页 |
| 7.1 总结 | 第82-84页 |
| 7.2 展望 | 第84-85页 |
| 参考文献 | 第85-90页 |
| 攻读硕士学位期间主要科研成果 | 第90-92页 |
| 已发表论文 | 第90-91页 |
| 申请专利 | 第91页 |
| 软件著作权 | 第91页 |
| 承担项目 | 第91页 |
| 获奖情况 | 第91-92页 |
| 致谢 | 第92-93页 |
