| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-27页 |
| 1.1 课题背景及研究意义 | 第11-13页 |
| 1.2 图像距离度量基础 | 第13-17页 |
| 1.2.1 视觉特征提取 | 第13-15页 |
| 1.2.2 距离度量 | 第15-17页 |
| 1.3 距离度量学习研究现状 | 第17-23页 |
| 1.3.1 距离度量学习及其与特征变换的关系 | 第17-18页 |
| 1.3.2 非监督的距离度量学习 | 第18-19页 |
| 1.3.3 监督的距离度量学习 | 第19-23页 |
| 1.3.4 半监督的距离度量学习 | 第23页 |
| 1.4 距离度量学习及其应用中的问题 | 第23-24页 |
| 1.5 论文研究内容与结构安排 | 第24-27页 |
| 第二章 基于本征值最优化与特征分组的距离度量学习 | 第27-41页 |
| 2.1 距离度量学习的算法复杂度分析 | 第27-28页 |
| 2.2 基于本征值最优化的距离度量学习 | 第28-30页 |
| 2.2.1 基于本征值最优化的距离度量学习模型 | 第28-29页 |
| 2.2.2 本征值最优化问题 | 第29-30页 |
| 2.2.3 基于本征值最优化的距离度量学习方法的实现技术 | 第30页 |
| 2.3 基于本征值最优化与特征分组的距离度量学习方法 | 第30-33页 |
| 2.3.1 特征分组技术 | 第31-32页 |
| 2.3.2 度量合成 | 第32页 |
| 2.3.3 算法复杂度分析 | 第32-33页 |
| 2.4 实验结果与性能分析 | 第33-39页 |
| 2.4.1 实验数据集 | 第33页 |
| 2.4.2 特征提取 | 第33-37页 |
| 2.4.3 实验结果与性能比较 | 第37-39页 |
| 2.5 本章小结 | 第39-41页 |
| 第三章 基于概率密度比值估计的距离度量学习 | 第41-51页 |
| 3.1 基于概率密度比值估计的距离度量学习原理分析 | 第41-42页 |
| 3.2 基于概率密度比值估计的距离度量学习方法的实现技术 | 第42-46页 |
| 3.2.1 度量学习模型 | 第42-43页 |
| 3.2.2 概率密度比值估计 | 第43-46页 |
| 3.3 实验结果与性能比较 | 第46-50页 |
| 3.3.1 UCI 数据集上的实验 | 第47页 |
| 3.3.2 Corel 数据集上的试验 | 第47-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于 SVM 的 BoVW 距离度量学习 | 第51-61页 |
| 4.1 BoVW 模型 | 第51-53页 |
| 4.2 基于 SVM 的 BoVW 距离度量学习方法 | 第53-56页 |
| 4.2.1 度量学习模型 | 第53-54页 |
| 4.2.2 线性 SVM 求解算法 | 第54-56页 |
| 4.3 实验结果与性能分析 | 第56-59页 |
| 4.3.1 实验设置与性能评价 | 第56-57页 |
| 4.3.2 实验性能分析 | 第57-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 全文总结 | 第61页 |
| 5.2 工作展望 | 第61-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 作者简历 | 第71页 |
