基于支持向量聚类的自动图像标注
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-11页 |
| ·论文研究的背景及意义 | 第8-9页 |
| ·本论文的主要工作 | 第9-11页 |
| 2 统计学理论基础 | 第11-16页 |
| ·泛化能力 | 第11-12页 |
| ·VC维 | 第12-13页 |
| ·最小化结构风险 | 第13-16页 |
| 3 支持向量机 | 第16-36页 |
| ·支持向量机的研究现状 | 第16-18页 |
| ·分类问题的引出与分类机 | 第18-20页 |
| ·线性可分支持向量机 | 第20-25页 |
| ·支持向量机最大间隔 | 第20-22页 |
| ·基于拉格朗日函数求解 | 第22-23页 |
| ·支持向量 | 第23-24页 |
| ·线性不可分情况支持向量 | 第24-25页 |
| ·非线性可分支持向量 | 第25-28页 |
| ·问题的引出 | 第25-27页 |
| ·核函数 | 第27-28页 |
| ·支持向量机的重要性质特点 | 第28-29页 |
| ·支持向量机学习算法 | 第29-36页 |
| ·块算法 | 第29-30页 |
| ·固定工作样本集算法 | 第30-31页 |
| ·分解算法 | 第31-32页 |
| ·序列最小最优化算法 | 第32-36页 |
| 4 基于支持向量聚类的自动图像标注 | 第36-60页 |
| ·引言 | 第36页 |
| ·基于粒子群算法优化支持向量机 | 第36-40页 |
| ·粒子群优化算法概述 | 第37-39页 |
| ·基于粒子群算法优化支持向量机 | 第39-40页 |
| ·支持向量聚类 | 第40-47页 |
| ·概述 | 第40-42页 |
| ·支持向量聚类思想描述 | 第42-44页 |
| ·支持向量聚类算法描述 | 第44-47页 |
| ·自动图像标注 | 第47-53页 |
| ·基于CPAM图像特征提取 | 第47-48页 |
| ·单一聚类支持向量机模型 | 第48-51页 |
| ·聚类密度估计 | 第51页 |
| ·自动图像标注 | 第51-53页 |
| ·实验过程与结果 | 第53-60页 |
| ·对数据样本进行特征提取 | 第54页 |
| ·利用PSO算法对样本进行训练 | 第54-57页 |
| ·利用编程实现对测试图像的语义标注 | 第57-60页 |
| 5 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表学术论文情况 | 第66-67页 |
| 致谢 | 第67-68页 |
