基于半监督自步学习的跨任务深度网络应用于图像分类
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要研究内容与结构 | 第13-16页 |
| 1.3.1 本文的主要研究内容 | 第14-15页 |
| 1.3.2 本文的结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 半监督分类算法 | 第17-28页 |
| 2.1 自学习 | 第18页 |
| 2.2 生成模型 | 第18-22页 |
| 2.2.1 混合模型与期望最大化 | 第19-20页 |
| 2.2.2 聚类并标签 | 第20-21页 |
| 2.2.3 基于表征变换的判别学习 | 第21-22页 |
| 2.2.4 深度生成模型 | 第22页 |
| 2.3 基于分歧的方法 | 第22-23页 |
| 2.3.1 协同学习 | 第22-23页 |
| 2.3.2 多视图学习 | 第23页 |
| 2.4 基于低密度分离的方法 | 第23-25页 |
| 2.4.1 直推式SVM | 第23-24页 |
| 2.4.2 高斯过程 | 第24页 |
| 2.4.3 信息规范化 | 第24-25页 |
| 2.4.4 熵最小化 | 第25页 |
| 2.5 基于图的方法 | 第25-27页 |
| 2.5.1 最小割 | 第25-26页 |
| 2.5.2 高斯随机场与调和函数 | 第26页 |
| 2.5.3 流形正则化 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于半监督自步学习的跨任务深度网络 | 第28-35页 |
| 3.1 残差网络 | 第28-29页 |
| 3.2 跨任务深度网络 | 第29-31页 |
| 3.3 自步学习 | 第31-33页 |
| 3.4 实现细节 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 实验与结果分析 | 第35-48页 |
| 4.1 自步跨任务深度网络的评估 | 第35-37页 |
| 4.2 与前沿方法的对比 | 第37-42页 |
| 4.3 行人检测的应用 | 第42-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 参考文献 | 第50-57页 |
| 攻读硕士学位期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 附件 | 第59页 |
