| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·背景介绍 | 第7-8页 |
| ·主动学习技术在野外障碍物检测方面的应用 | 第8-9页 |
| ·本文研究的主要内容及框架结构 | 第9-11页 |
| 2 主动学习概述 | 第11-17页 |
| ·基本的主动学习框架 | 第11-13页 |
| ·基于样本不确定性的选择算法 | 第13-14页 |
| ·减小版本空间的样本选择算法 | 第14-15页 |
| ·最小泛化误差的样本选择算法 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 3 半监督学习介绍 | 第17-23页 |
| ·生成式模型 | 第17-18页 |
| ·自学习策略(Self-Training) | 第18-19页 |
| ·协同训练(Co-Training) | 第19-20页 |
| ·基于图的半监督学习 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 4 半监督学习与主动学习的结合 | 第23-32页 |
| ·自学习策略的半监督学习+基于不确定性选取的主动学习 | 第24-25页 |
| ·使用半监督EM算法+QBC | 第25-26页 |
| ·使用Co-EM与Co-Testing结合 | 第26页 |
| ·基于图的半监督学习+最小泛化误差 | 第26-27页 |
| ·使用Co-training半监督学习+使用QBagging主动学习 | 第27-31页 |
| ·本章小结 | 第31-32页 |
| 5 基于半监督主动学习的野外环境感知 | 第32-40页 |
| ·初始未标记数据的过滤 | 第32-35页 |
| ·数据分块约束 | 第35-37页 |
| ·野外环境复杂性处理 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 6 实验与结果 | 第40-59页 |
| ·实验目的与实验设计 | 第40-43页 |
| ·初始样本集的选取策略对分类性能的影响 | 第40-41页 |
| ·监督型SVM、Active SVM和BCMS在野外障碍物检查问题中的性能比较 | 第41-43页 |
| ·一级学习系统与两级学习系统的性能比较 | 第43页 |
| ·数据集 | 第43-44页 |
| ·图像的特征提取 | 第44-47页 |
| ·图像的整体特征 | 第44-45页 |
| ·图像的局部特征 | 第45-47页 |
| ·评价方法 | 第47-48页 |
| ·实验结果 | 第48-58页 |
| ·监督学习的训练样本增长策略的实验结果 | 第48-49页 |
| ·参数调整策略实验结果 | 第49-50页 |
| ·初始样本的选取对分类模型性能的影响 | 第50-51页 |
| ·半监督主动学习、监督学习和主动学习的性能比较实验 | 第51-53页 |
| ·使用一级学习系统与两级学习系统的实验结果 | 第53-54页 |
| ·真实环境中的预测结果 | 第54-56页 |
| ·实验平台展示 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 7 总结与将来工作 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
