| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-10页 |
| 1 引言 | 第10-17页 |
| ·研究背景 | 第10页 |
| ·机器学习分类 | 第10-16页 |
| ·有监督学习 | 第11-14页 |
| ·无监督学习 | 第14-15页 |
| ·半监督学习(直推式学习) | 第15-16页 |
| ·本文行文结构 | 第16-17页 |
| 2 半监督学习(Semi-supervised learning) | 第17-26页 |
| ·直推式学习(Transdutive learning) | 第17-22页 |
| ·直推式支持向量机(TSVM) | 第17-20页 |
| ·Co-Training算法 | 第20-22页 |
| ·EM算法 | 第22页 |
| ·对于半监督学习的改进 | 第22-26页 |
| ·对SVM以及TSVM的改进算法 | 第22-25页 |
| ·其他对半监督学习算法的改进 | 第25-26页 |
| 3 对于直推式支持向量机的改进算法MY-TSVM及实验 | 第26-39页 |
| ·MY-TSVM算法介绍 | 第26-30页 |
| ·TSVM的改进算法MY-TSVM | 第26页 |
| ·时间复杂度上的改进 | 第26-29页 |
| ·其他方面的改进 | 第29-30页 |
| ·基于内容的图像检索 | 第30-33页 |
| ·图像内容的描述模型 | 第30-31页 |
| ·颜色特征的描述 | 第31-32页 |
| ·纹理特征的描述 | 第32-33页 |
| ·特征归一化 | 第33页 |
| ·初步实验结果和分析 | 第33-39页 |
| ·实验使用的图像集以及评价指标 | 第34页 |
| ·采用方法一(将距离δ内的点标注)的实验 | 第34-36页 |
| ·采用方法二(将距离最近m个点标注)的实验 | 第36-38页 |
| ·不足和改进 | 第38-39页 |
| 4 实验检索系统的设计和实现 | 第39-59页 |
| ·实验检索系统的结构 | 第39-41页 |
| ·实验检索系统的整体架构 | 第39-40页 |
| ·MY-TSVM在相关反馈检索中的应用 | 第40-41页 |
| ·图像检索系统功能介绍 | 第41-48页 |
| ·系统图像数据库结构介绍 | 第41-44页 |
| ·系统图像库的基本操作 | 第44-45页 |
| ·用户自定义创建语义类分类器 | 第45-46页 |
| ·渐进式感兴趣图像检索 | 第46-47页 |
| ·基于图像语义的图像自动分类 | 第47-48页 |
| ·图像检索的界面和其它功能 | 第48页 |
| ·实验检索系统使用的图像集及其特征 | 第48-50页 |
| ·实验使用的图像集及其特征 | 第48-49页 |
| ·关于特征选择 | 第49-50页 |
| ·实验检索系统的实验及示例 | 第50-59页 |
| ·实验设定 | 第50-51页 |
| ·实验过程 | 第51-53页 |
| ·实验结果 | 第53-59页 |
| 5 总结和展望 | 第59-61页 |
| ·工作总结 | 第59页 |
| ·进一步的研究 | 第59-61页 |
| ·关于机器学习算法 | 第59页 |
| ·图像检索的语义特征 | 第59-60页 |
| ·关于图像检索方式 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 作者简历 | 第64-66页 |
| 学位论文数据集 | 第66页 |
