基于LNP的半监督图像分类
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 半监督学习概述 | 第12-15页 |
| 1.2.1 半监督学习概念 | 第12页 |
| 1.2.2 半监督学习的方法及国内外研究动态 | 第12-15页 |
| 1.2.3 半监督学习的优缺点 | 第15页 |
| 1.3 论文的主要工作和内容安排 | 第15-18页 |
| 第2章 基于图的半监督学习 | 第18-34页 |
| 2.1 基于图的半监督学习概述 | 第18-19页 |
| 2.2 基于图的半监督学习假设 | 第19-21页 |
| 2.2.1 聚类假设 | 第19-20页 |
| 2.2.2 流形假设 | 第20-21页 |
| 2.3 基于图的半监督学习框架 | 第21-22页 |
| 2.4 图的构建 | 第22-23页 |
| 2.4.1 全连接图 | 第22页 |
| 2.4.2 K近邻图 | 第22页 |
| 2.4.3 ε近邻图 | 第22-23页 |
| 2.4.4 l_1图 | 第23页 |
| 2.5 相似性度量 | 第23-24页 |
| 2.6 基于图的半监督学习算法 | 第24-33页 |
| 2.6.1 最小割算法 | 第25页 |
| 2.6.2 高斯随机场和调和函数 | 第25-27页 |
| 2.6.3 标记传递算法 | 第27-28页 |
| 2.6.4 局部和全局一致性 | 第28-29页 |
| 2.6.5 流形正则化 | 第29-31页 |
| 2.6.6 线性近邻传递算法 | 第31-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第3章 基于局部聚类的自适应线性近邻传递分类算法 | 第34-44页 |
| 3.1 引言 | 第34-35页 |
| 3.2 线性近邻传递算法 | 第35-36页 |
| 3.3 基于局部聚类的自适应LNP分类算法 | 第36-40页 |
| 3.3.1 图的构造 | 第36-38页 |
| 3.3.2 构造分类函数 | 第38-39页 |
| 3.3.3 算法收敛性分析 | 第39页 |
| 3.3.4 算法复杂度分析 | 第39-40页 |
| 3.4 算法流程 | 第40页 |
| 3.5 实验结果及分析 | 第40-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于图像分解和分水岭的LNP图像分类算法 | 第44-56页 |
| 4.1 图像分解 | 第44-48页 |
| 4.1.1 图像分解模型 | 第44-45页 |
| 4.1.2 OSV模型 | 第45-46页 |
| 4.1.3 实验结果分析 | 第46-48页 |
| 4.2 图像区域分割 | 第48-50页 |
| 4.2.1 分水岭算法 | 第48-49页 |
| 4.2.2 实验结果 | 第49-50页 |
| 4.3 基于图像分解和分水岭的LNP图像分类算法 | 第50页 |
| 4.4 算法流程 | 第50-51页 |
| 4.5 实验结果分析 | 第51-53页 |
| 4.6 本章小结 | 第53-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 本文工作总结 | 第56-57页 |
| 5.2 未来研究展望 | 第57-58页 |
| 参考文献 | 第58-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间研究成果 | 第68页 |
