基于多示例弱监督学习的物体检测和分类方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景、研究目的及意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-15页 |
| 1.2.1 监督学习方法 | 第10-11页 |
| 1.2.2 弱监督学习方法 | 第11-12页 |
| 1.2.3 多示例学习方法 | 第12-13页 |
| 1.2.4 子空间学习方法 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 基于稀疏低秩子空间的物体检测模型研究 | 第18-37页 |
| 2.1 引言 | 第18页 |
| 2.2 相关工作介绍 | 第18-21页 |
| 2.2.1 稀疏表示和字典学习 | 第18-19页 |
| 2.2.2 低秩表示 | 第19-20页 |
| 2.2.3 非相关因子的影响 | 第20-21页 |
| 2.3 子空间模型的提出与分析 | 第21-29页 |
| 2.3.1 子空间模型的提出 | 第21-24页 |
| 2.3.2 子空间模型的优化和求解 | 第24-29页 |
| 2.3.3 收敛性分析 | 第29页 |
| 2.4 实验及其分析 | 第29-35页 |
| 2.4.1 实验评判标准 | 第30页 |
| 2.4.2 参数控制实验 | 第30-31页 |
| 2.4.3 人脸库LFW数据的实验结果 | 第31-33页 |
| 2.4.4 人脸库Yale B数据的实验结果 | 第33-35页 |
| 2.4.5 实验结果分析 | 第35页 |
| 2.5 本章小结 | 第35-37页 |
| 第3章 基于关键示例的物体分类模型研究 | 第37-52页 |
| 3.1 引言 | 第37页 |
| 3.2 相关工作介绍 | 第37-39页 |
| 3.2.1 隐支持向量机 | 第37-38页 |
| 3.2.2 平滑的隐支持向量机 | 第38-39页 |
| 3.3 基于关键示例的物体分类模型 | 第39-40页 |
| 3.4 实验及其分析 | 第40-51页 |
| 3.4.1 人脸库AR数据的实验结果 | 第40-43页 |
| 3.4.2 人脸库UMIST数据的实验结果 | 第43-47页 |
| 3.4.3 人脸库ORL数据的实验结果 | 第47-48页 |
| 3.4.4 图像数据集Pascal的实验结果 | 第48-51页 |
| 3.4.5 实验结果分析 | 第51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 基于子空间集成学习的物体分类模型研究 | 第52-58页 |
| 4.1 引言 | 第52页 |
| 4.2 集成学习方法的提出 | 第52-54页 |
| 4.3 实验及其分析 | 第54-57页 |
| 4.3.1 人脸库Yale B数据的实验结果 | 第54-56页 |
| 4.3.2 人脸库AR数据的实验结果 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-66页 |
| 攻读硕士学位期间发表的论文 | 第66-68页 |
| 致谢 | 第68页 |
