基于主动学习的图像标注方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-17页 |
| ·课题研究背景及意义 | 第8-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·机器学习 | 第10页 |
| ·主动学习 | 第10-13页 |
| ·主动学习在多媒体标注中面临的挑战 | 第13-15页 |
| ·本文主要研究内容及创新点 | 第15页 |
| ·论文的组织结构 | 第15-17页 |
| 2 主动学习及样本选择算法研究 | 第17-24页 |
| ·主动学习简介 | 第17-19页 |
| ·主动学习基本框架 | 第17-18页 |
| ·主动学习算法描述 | 第18-19页 |
| ·样本选择策略研究 | 第19-23页 |
| ·基于不确定性的样本选择方法 | 第20页 |
| ·基于未来误差缩减的样本选择方法 | 第20-21页 |
| ·基于差异性的样本选择方法 | 第21-22页 |
| ·基于密度的样本选择方法 | 第22页 |
| ·基于相关性的样本选择方法 | 第22-23页 |
| ·样本选择策略的综合分析 | 第23页 |
| ·本章小结 | 第23-24页 |
| 3 主动学习相关研究 | 第24-33页 |
| ·分类模型研究 | 第24-28页 |
| ·SVM 模型 | 第24-27页 |
| ·K-近邻模型 | 第27-28页 |
| ·相关学习方法研究 | 第28-32页 |
| ·半监督学习 | 第28-29页 |
| ·多标签学习 | 第29-30页 |
| ·多示例学习 | 第30-32页 |
| ·增量学习 | 第32页 |
| ·本章小结 | 第32-33页 |
| 4 基于密度熵的主动学习采样算法 | 第33-40页 |
| ·基于不确定性和密度相结合的采样理论 | 第33-35页 |
| ·孤立点问题描述 | 第33-34页 |
| ·密度熵度量 | 第34-35页 |
| ·密度熵算法描述 | 第35-36页 |
| ·实验结果与分析 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 5 自适应正则化主动学习 SVM | 第40-51页 |
| ·主动学习与动态 SVM | 第40-44页 |
| ·支持向量机 | 第40-41页 |
| ·主动学习 SVM | 第41-42页 |
| ·模型参数的选择 | 第42页 |
| ·正则化路径算法介绍 | 第42-44页 |
| ·初始样本的选择 | 第44-45页 |
| ·正则化主动学习 SVM 算法描述 | 第45-46页 |
| ·实验结果及分析 | 第46-50页 |
| ·实验设置 | 第46-48页 |
| ·UCI 数据集上的实验 | 第48-49页 |
| ·NUS-WIDE 数据集上的实验 | 第49页 |
| ·聚类方法与随机方法比较 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 6 总结和展望 | 第51-52页 |
| ·总结 | 第51页 |
| ·展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士期间发表学术论文情况 | 第55-56页 |
| 致谢 | 第56页 |
