| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-13页 |
| 图索引 | 第13-14页 |
| 表索引 | 第14-15页 |
| 第一章 绪论 | 第15-29页 |
| ·课题的研究背景及意义 | 第15-17页 |
| ·多示例学习的国内外研究现状 | 第17-25页 |
| ·轴平行矩形(APR)算法 | 第17-18页 |
| ·基于概率统计类的 MIL 算法 | 第18-19页 |
| ·“算法适应”类的 MIL 算法 | 第19-20页 |
| ·“问题转换”类的 MIL 算法 | 第20-22页 |
| ·其他的 MIL 算法 | 第22-23页 |
| ·一些比较重要的 MIL 文献 | 第23-24页 |
| ·需要进一步研究的问题 | 第24-25页 |
| ·论文的主要研究内容 | 第25-26页 |
| ·本文的组织结构 | 第26-29页 |
| 第二章 多示例学习的研究概述 | 第29-43页 |
| ·多示例学习（MIL）的概念和数学描述 | 第29-30页 |
| ·多示例学习的概念 | 第29页 |
| ·多示例学习的数学描述 | 第29-30页 |
| ·多示例学习与传统的有监督学习的区别 | 第30-31页 |
| ·经典的多示例学习算法的介绍 | 第31-39页 |
| ·多示例学习算法应用于图像检索和分类 | 第39-42页 |
| ·小结 | 第42-43页 |
| 第三章 基于多示例学习和贝叶斯分类器的图像检索方法 | 第43-65页 |
| ·引言 | 第43-44页 |
| ·相关工作研究 | 第44-47页 |
| ·贝叶斯分类器 | 第44-46页 |
| ·图像的特征表示 | 第46-47页 |
| ·基于多示例学习和贝叶斯分类的图像检索方法（MIL-Bayesian） | 第47-56页 |
| ·图像分割与特征提取 | 第48-49页 |
| ·计算包中每个示例的 DD 函数值，选取出可能的正示例组成一个集合 | 第49-51页 |
| ·使用高斯混合函数去逼近估计正示例的类条件概率密度 | 第51-52页 |
| ·贝叶斯分类器 | 第52-55页 |
| ·相关反馈技术 | 第55-56页 |
| ·实验结果与分析 | 第56-64页 |
| ·在 Corel 2000 数据集上的图像检索 | 第57-61页 |
| ·在 MUSK 数据集上的药物分子预测分类 | 第61-64页 |
| ·小结 | 第64-65页 |
| 第四章 基于密度聚类和多示例学习的图像分类方法 | 第65-80页 |
| ·引言 | 第65-66页 |
| ·相关工作研究 | 第66-67页 |
| ·多示例学习 | 第66-67页 |
| ·DCRF-MIL 算法 | 第67-72页 |
| ·图像分割和特征提取 | 第68页 |
| ·区域特征密度聚类 | 第68-70页 |
| ·构造包的特征 | 第70页 |
| ·SVM 分类器 | 第70-71页 |
| ·DCRF-MIL 算法描述 | 第71-72页 |
| ·实验结果与分析 | 第72-78页 |
| ·DCRF-MIL 算法在 Corel 图像库上的分类精度 | 第72-75页 |
| ·附加的第 10 维特征、密度聚类参数邻域半径、训练图像数对 DCRF-MIL 算法分类精度的影响 | 第75-77页 |
| ·DCRF-MIL 算法在 MUSK 数据集上的分类精度 | 第77-78页 |
| ·小结 | 第78-80页 |
| 第五章 基于子空间集成的多示例学习并行算法 | 第80-107页 |
| ·引言 | 第80-81页 |
| ·相关工作研究 | 第81-84页 |
| ·集成学习 | 第81-82页 |
| ·半监督学习 | 第82-83页 |
| ·分布式并行中间件 ProActive | 第83-84页 |
| ·基于多个子空间集成的多示例学习分类器（MSEMIL） | 第84-91页 |
| ·生成包特征 | 第85-86页 |
| ·生成 T 个子空间 | 第86-88页 |
| ·在每个子空间上构造一个基础子分类器 | 第88-89页 |
| ·合并子分类器的分类结果 | 第89-90页 |
| ·MSEMIL 算法描述 | 第90-91页 |
| ·算法复杂度分析 | 第91页 |
| ·多示例集成分类器（MSEMIL）的并行算法（P_MSEMIL） | 第91-94页 |
| ·P_MSEMIL 并行算法的思想 | 第91-92页 |
| ·P_MSEMIL 并行算法的实现 | 第92-94页 |
| ·实验结果与分析 | 第94-106页 |
| ·MSEMIL 算法与其它 MIL 算法的分类精度比较 | 第95-99页 |
| ·子空间参数、集成策略、“噪声”数据对 MSEMIL 的分类精度影响 | 第99-104页 |
| ·P_MSEMIL 并行算法的计算耗时和加速比 | 第104-106页 |
| ·小结 | 第106-107页 |
| 总结和展望 | 第107-110页 |
| 参考文献 | 第110-121页 |
| 攻读博士/硕士学位期间取得的研究成果 | 第121-123页 |
| 致谢 | 第123-124页 |
| 附件 | 第124页 |
