| 摘要 | 第5-6页 |
| AbStract | 第6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 机器学习问题概述 | 第9页 |
| 1.2 物体分类研究的进展 | 第9-16页 |
| 1.2.1 特征的提取 | 第10-13页 |
| 1.2.2 可变形模型的发展 | 第13-15页 |
| 1.2.3 分类器的发展 | 第15-16页 |
| 1.3 数据集的发展 | 第16-19页 |
| 1.3.1 Caltech 101/256数据集 | 第16-17页 |
| 1.3.2 Pascal数据集 | 第17-18页 |
| 1.3.3 ImageNet数据集 | 第18-19页 |
| 1.4 论文的结构安排 | 第19-20页 |
| 第二章 自底向上的物体分类 | 第20-37页 |
| 2.1 支持向量机与多核学习 | 第20-23页 |
| 2.1.1 统计学习理论简介 | 第20-21页 |
| 2.1.2 支持向量机简介 | 第21页 |
| 2.1.3 多核学习理论 | 第21-23页 |
| 2.2 自底向上的特征 | 第23-31页 |
| 2.2.1 SIFT描述子 | 第23-27页 |
| 2.2.2 LBP描述子 | 第27-29页 |
| 2.2.3 PHOW描述子 | 第29-30页 |
| 2.2.4 PHOG描述子 | 第30-31页 |
| 2.3 视觉注意力机制 | 第31-35页 |
| 2.4 图片多核分类 | 第35-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 自顶向下的模板匹配方法 | 第37-47页 |
| 3.1 Active Basis模型 | 第37-42页 |
| 3.1.1 Active Basis简介 | 第37-38页 |
| 3.1.2 Active Basis的表现形式 | 第38-40页 |
| 3.1.3 Active basis的学习算法 | 第40-42页 |
| 3.2 模型的统计学基础 | 第42-43页 |
| 3.3 Active Basis用于物体检测 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 混合自顶向下和自底向上的物体分类 | 第47-59页 |
| 4.1 混合模型简介 | 第47页 |
| 4.2 基于Active Basis的自顶向下特征 | 第47-52页 |
| 4.3 混合模型的物体分类框架 | 第52-56页 |
| 4.4 混合模型与其他方法的比较 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 实验结果与分析 | 第59-69页 |
| 5.1 自顶向下的物体分类 | 第59-64页 |
| 5.1.1 特征提取结果 | 第59-61页 |
| 5.1.2 分类结果 | 第61-64页 |
| 5.2 自底向上的物体分类 | 第64-66页 |
| 5.2.1 特征提取结果 | 第64-66页 |
| 5.2.2 分类结果 | 第66页 |
| 5.3 混合模型的物体分类 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 总结与展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |