| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 表格 | 第13-14页 |
| 插图 | 第14-16页 |
| 算法 | 第16-17页 |
| 第一章 绪论 | 第17-25页 |
| ·研究背景及意义 | 第17-19页 |
| ·度量学习研究现状 | 第19-22页 |
| ·研究内容和主要工作 | 第22-24页 |
| ·论文结构与主要贡献 | 第24-25页 |
| 第二章 马氏度量学习概述 | 第25-33页 |
| ·引言 | 第25页 |
| ·马氏度量学习方法分类 | 第25-27页 |
| ·马氏距离的基本定义 | 第25-26页 |
| ·非监督的马氏度量学习 | 第26页 |
| ·监督的马氏度量学习 | 第26-27页 |
| ·监督的马氏度量学习研究现状 | 第27-33页 |
| ·基于全局信息保持的度量学习 | 第27-28页 |
| ·融合全局和局部信息保持的度量学习 | 第28-31页 |
| ·小结 | 第31-33页 |
| 第三章 基于识别坍塌的全局和局部保持映射 | 第33-51页 |
| ·引言 | 第33-34页 |
| ·相关知识 | 第34-36页 |
| ·最大坍塌的度量学习 | 第34-35页 |
| ·局部保持映射 | 第35-36页 |
| ·全局和局部保持映射 | 第36-44页 |
| ·问题建模 | 第36-40页 |
| ·求解算法 | 第40-42页 |
| ·GPU上的并行化 | 第42-44页 |
| ·实验结果和分析 | 第44-48页 |
| ·主机和设备 | 第44页 |
| ·分类准确率 | 第44-45页 |
| ·2-D数据可视化 | 第45-47页 |
| ·运算时间 | 第47-48页 |
| ·小结 | 第48-51页 |
| 第四章 基于相关性最大化的度量学习方法 | 第51-77页 |
| ·引言 | 第51-52页 |
| ·数据分布相关性的研究 | 第52-55页 |
| ·相关定义 | 第53页 |
| ·协方差准则 | 第53-54页 |
| ·H-S独立准则 | 第54页 |
| ·协方差准则和H-S独立准则之间的联系 | 第54-55页 |
| ·基于相关性最大化的度量学习 | 第55-64页 |
| ·问题建模 | 第55-59页 |
| ·基于HSIC的度量学习算法 | 第59-60页 |
| ·基于Generalized Distance Covariance的度量学习算法 | 第60-62页 |
| ·求解算法 | 第62页 |
| ·降维 | 第62-64页 |
| ·实验结果与分析 | 第64-75页 |
| ·数据集描述 | 第64-65页 |
| ·实验设置 | 第65-67页 |
| ·分类实验 | 第67-71页 |
| ·数据可视化 | 第71-73页 |
| ·图像检索 | 第73-75页 |
| ·本章小结 | 第75-77页 |
| 第五章 基于信息几何的度量学习算法 | 第77-93页 |
| ·引言 | 第77-78页 |
| ·相关工作 | 第78-80页 |
| ·高效的信息几何度量学习方法 | 第80-84页 |
| ·问题建模和求解 | 第81-82页 |
| ·实验结果和分析 | 第82-84页 |
| ·扩展的信息几何度量学习方法 | 第84-91页 |
| ·值域空间保持的性质 | 第84-86页 |
| ·低秩的SIGML | 第86-87页 |
| ·SIGML中局部信息的保持 | 第87-88页 |
| ·SIGML问题求解 | 第88-89页 |
| ·实验结果和分析 | 第89-91页 |
| ·本章小节 | 第91-93页 |
| 第六章 总结与展望 | 第93-95页 |
| ·本文工作总结 | 第93页 |
| ·工作展望 | 第93-95页 |
| 参考文献 | 第95-105页 |
| 致谢 | 第105-107页 |
| 在读期间发表的学术论文 | 第107页 |