| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 图像分类的研究背景及意义 | 第10-13页 |
| 1.2 多示例学习的研究现状 | 第13-15页 |
| 1.3 本文的研究工作及组织 | 第15-16页 |
| 1.3.1 主要工作 | 第15页 |
| 1.3.2 论文的组织安排 | 第15-16页 |
| 第2章 支持向量机 | 第16-24页 |
| 2.1 统计学习理论基础 | 第16-17页 |
| 2.1.1 VC维概念 | 第16页 |
| 2.1.2 结构风险最小化 | 第16-17页 |
| 2.2 线性支持向量机 | 第17-21页 |
| 2.2.1 线性可分支持向量机 | 第17-20页 |
| 2.2.2 广义线性支持向量机 | 第20-21页 |
| 2.3 非线性支持向量机 | 第21-23页 |
| 2.3.1 非线性支持向量机 | 第21-22页 |
| 2.3.2 核函数 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 多示例学习 | 第24-36页 |
| 3.1 概述 | 第24-25页 |
| 3.2 多示例学习算法 | 第25-29页 |
| 3.2.1 轴平行矩形算法 | 第26-27页 |
| 3.2.2 多样性密度算法 | 第27-28页 |
| 3.2.3 基于SVM的多示例学习算法 | 第28-29页 |
| 3.3 多示例多标签学习框架及算法 | 第29-35页 |
| 3.3.1 多示例多标签学习框架 | 第29-31页 |
| 3.3.2 MIMLBOOST算法 | 第31-33页 |
| 3.3.3 MIMLSVM算法 | 第33-34页 |
| 3.3.4 性能评价指标 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于多核融合的多示例多标签学习算法 | 第36-56页 |
| 4.1 引言 | 第36-38页 |
| 4.2 基于示例相关性的多示例学习 | 第38-42页 |
| 4.2.1 MIGraph算法 | 第39-41页 |
| 4.2.2 mi Graph算法 | 第41-42页 |
| 4.3 多核学习算法 | 第42-48页 |
| 4.3.1 多核学习概述 | 第43-44页 |
| 4.3.2 Simple MKL算法 | 第44-48页 |
| 4.4 基于多核融合的多示例多标签学习算法 | 第48-50页 |
| 4.4.1 包内示例相关关系的建模 | 第48-49页 |
| 4.4.2 多核融合 | 第49-50页 |
| 4.5 实验结果与分析 | 第50-54页 |
| 4.5.1 实验数据集及评价标准 | 第50-51页 |
| 4.5.2 实验结果及分析 | 第51-54页 |
| 4.6 本章小结 | 第54-56页 |
| 第5章 基于特征选择的多示例多标签学习算法 | 第56-68页 |
| 5.1 概述 | 第56-57页 |
| 5.2 嵌入示例选择的多示例学习(MILES)算法 | 第57-60页 |
| 5.2.1 基于示例的包特征映射 | 第58-59页 |
| 5.2.2 基于l_1范数的SVM分类器训练 | 第59-60页 |
| 5.3 基于特征选择的多示例多标签学习算法 | 第60-65页 |
| 5.3.1 基于示例空间的特征映射 | 第60-61页 |
| 5.3.2 1_(2,1)范数 | 第61页 |
| 5.3.3 基于1_(2,1)范数的特征选择方法 | 第61-62页 |
| 5.3.4 优化问题求解 | 第62-64页 |
| 5.3.5 基于标签相关性的标签预测分类器 | 第64-65页 |
| 5.4 实验结果与分析 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-71页 |
| 6.1 本文工作 | 第68-69页 |
| 6.2 工作展望 | 第69-71页 |
| 参考文献 | 第71-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士学位期间取得的科研成果 | 第80页 |