| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 基于底层特征的场景分类 | 第14-15页 |
| 1.2.2 基于视觉词包模型的场景分类 | 第15-17页 |
| 1.2.3 基于高层语义的场景分类 | 第17-18页 |
| 1.2.4 基于深度学习的场景分类 | 第18-19页 |
| 1.3 存在问题及发展趋势 | 第19-20页 |
| 1.4 本文主要工作和章节安排 | 第20-22页 |
| 1.4.1 主要工作内容 | 第20-21页 |
| 1.4.2 本文组织结构 | 第21-22页 |
| 第2章 基于MRF和模糊集理论的场景分类算法总体思路 | 第22-28页 |
| 2.1 引言 | 第22页 |
| 2.2 相关工作 | 第22-24页 |
| 2.2.1 视觉单词的消歧 | 第22-23页 |
| 2.2.2 分类器设计 | 第23-24页 |
| 2.3 基于MRF和模糊集理论的场景分类算法框架 | 第24-25页 |
| 2.4 场景分类数据库介绍及评价标准 | 第25-27页 |
| 2.4.1 场景分类数据库介绍 | 第25-27页 |
| 2.4.2 评价标准 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于模糊集理论的空间金字塔视觉词包模型 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 相关工作 | 第28-30页 |
| 3.2.1 视觉词包模型的基本原理 | 第28-30页 |
| 3.2.2 视觉词包模型中分配方式的研究现状 | 第30页 |
| 3.3 基于模糊集理论的视觉词包模型算法原理与描述 | 第30-36页 |
| 3.3.1 词汇表构建 | 第30-32页 |
| 3.3.2 基于模糊集理论的隶属度函数的构建原理 | 第32-35页 |
| 3.3.3 空间金字塔模型对视觉词包模型空间关系的提取 | 第35-36页 |
| 3.4 实验与分析 | 第36-39页 |
| 3.4.1 视觉单词数量的取值对分类性能的影响 | 第36-37页 |
| 3.4.2 隶属函数中阈值对分类性能的影响 | 第37-38页 |
| 3.4.3 空间金字塔词包模型对分类性能的影响 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于自适应先验MRF的视觉单词生成算法 | 第40-56页 |
| 4.1 引言 | 第40页 |
| 4.2 相关工作 | 第40-46页 |
| 4.2.1 视觉单词消歧有关方法的研究现状 | 第40-41页 |
| 4.2.2 LDA主题模型原理 | 第41-44页 |
| 4.2.3 马尔科夫随机场原理 | 第44-46页 |
| 4.3 基于自适应先验MRF的视觉单词生成算法 | 第46-52页 |
| 4.3.1 算法原理 | 第46-49页 |
| 4.3.2 算法流程 | 第49-52页 |
| 4.4 实验及结果分析 | 第52-54页 |
| 4.4.1 主题数量的取值对分类性能的影响 | 第52-53页 |
| 4.4.2 自适应学习邻域间作用强度对分类性能的影响 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 结合支持向量机和视觉单词权重的分类器设计 | 第56-68页 |
| 5.1 引言 | 第56页 |
| 5.2 相关工作 | 第56-60页 |
| 5.2.1 视觉单词权重策略在图像任务中的研究现状 | 第56-57页 |
| 5.2.2 支持向量机原理 | 第57-60页 |
| 5.3 结合支持向量机和视觉单词权重的分类器设计算法 | 第60-64页 |
| 5.3.1 算法原理 | 第60-63页 |
| 5.3.2 算法描述 | 第63-64页 |
| 5.4 实验分析 | 第64-67页 |
| 5.5 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 本文主要工作总结 | 第68-69页 |
| 未来工作展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 作者简介 | 第77页 |
