基于半监督学习的图像分类算法研究与应用
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 发展及研究现状 | 第10-17页 |
| 1.2.1 半监督学习的三种基本假设 | 第10-11页 |
| 1.2.2 半监督学习方法 | 第11-17页 |
| 1.2.3 半监督分类方法问题及难点 | 第17页 |
| 1.3 论文研究内容和组织结构 | 第17-19页 |
| 第2章 基本理论基础 | 第19-29页 |
| 2.1 支持向量机原理和模型 | 第19-22页 |
| 2.1.1 最大间隔超平面支持向量机 | 第19-21页 |
| 2.1.2 非线性支持向量机与核函数 | 第21-22页 |
| 2.2 半监督支持向量原理和模型 | 第22-26页 |
| 2.2.1 标签均值半监督支持向量机 | 第24-26页 |
| 2.3 标签传播算法理论基础 | 第26-28页 |
| 2.3.1 极小极大标签传播算法 | 第26-28页 |
| 2.4 小结 | 第28-29页 |
| 第3章 基于聚类标签均值的半监督支持向量机 | 第29-39页 |
| 3.1 引言 | 第29页 |
| 3.2 基于聚类标签均值的半监督支持向量机 | 第29-32页 |
| 3.3 实验结果与分析 | 第32-37页 |
| 3.3.1 Hourse数据集实验结果 | 第33-36页 |
| 3.3.2 Flower数据集分类结果 | 第36-37页 |
| 3.4 小结 | 第37-39页 |
| 第4章 自适应近邻的极小极大标签传播 | 第39-53页 |
| 4.1 引言 | 第39页 |
| 4.2 自适应近邻 | 第39-44页 |
| 4.2.1 自适应近邻求解 | 第40-43页 |
| 4.2.2 通过自适应近邻构建的稀疏图的性质 | 第43-44页 |
| 4.3 基于自适应近邻的极小极大标签传播算法 | 第44-45页 |
| 4.4 实验结果及分析 | 第45-50页 |
| 4.4.1 数据集分类实验 | 第45-47页 |
| 4.4.2 图像分类实验 | 第47-50页 |
| 4.5 小结 | 第50-53页 |
| 第5章 半监督分类算法在遥感图像分类中的应用 | 第53-63页 |
| 5.1 高光谱遥感图像分类 | 第53-57页 |
| 5.1.1 低秩矩阵恢复模型 | 第53-54页 |
| 5.1.2 实验结果 | 第54-57页 |
| 5.2 多光谱遥感图像分类 | 第57-61页 |
| 5.2.1 均值漂移算法 | 第57-58页 |
| 5.2.2 实验结果 | 第58-61页 |
| 5.3 本章小结 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 参考文献 | 第65-73页 |
| 致谢 | 第73-75页 |
| 攻读硕士学位期间的研究成果 | 第75页 |
