| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景与研究意义 | 第8-10页 |
| ·图像分类 | 第8-9页 |
| ·主动学习 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文主要研究工作及章节安排 | 第11-14页 |
| 第二章 图像特征 | 第14-24页 |
| ·低层特征 | 第14-15页 |
| ·颜色特征 | 第14页 |
| ·纹理特征 | 第14-15页 |
| ·形状特征 | 第15页 |
| ·中层特征 | 第15-23页 |
| ·SIFT 特征 | 第16-19页 |
| ·Bag of Words 特征 | 第19-21页 |
| ·稀疏编码 | 第21-23页 |
| ·高层语义特征 | 第23页 |
| ·本章小结 | 第23-24页 |
| 第三章 结合中层特征的图像分类实验 | 第24-40页 |
| ·常用分类算法介绍 | 第24-29页 |
| ·贝叶斯分类决策理论 | 第24-25页 |
| ·支持向量机 | 第25-28页 |
| ·Logistic 回归 | 第28-29页 |
| ·近邻分类器 | 第29页 |
| ·SVM 和 Logistic 回归优化算法 | 第29-32页 |
| ·序贯最小化法 | 第29-31页 |
| ·信任区域牛顿法 | 第31-32页 |
| ·基于中层特征的图像分类实验 | 第32-36页 |
| ·实验数据集 | 第32-33页 |
| ·实验设置 | 第33-34页 |
| ·实验结果 | 第34-36页 |
| ·基于 OpenCV 的图像分类演示软件 | 第36-39页 |
| ·OpenCV 简介 | 第36页 |
| ·随机森林 | 第36-37页 |
| ·软件设计流程与运行结果 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 主动学习理论 | 第40-48页 |
| ·主动学习概念 | 第40-41页 |
| ·成员查询主动学习 | 第40-41页 |
| ·基于流的主动学习 | 第41页 |
| ·基于池的主动学习 | 第41页 |
| ·样本评估策略 | 第41-45页 |
| ·不确定性信息度量 | 第41-42页 |
| ·委员会查询 | 第42-43页 |
| ·期望误差减小 | 第43-44页 |
| ·方差减小 | 第44-45页 |
| ·基于样本分布信息的主动学习 | 第45-47页 |
| ·基于密度加权的信息度量 | 第46页 |
| ·批量样本选择中的多样性策略 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 基于增量和主动学习的图像分类 | 第48-62页 |
| ·基于主动学习的图像分类 | 第48-49页 |
| ·增量 SVM 及概率输出 | 第49-53页 |
| ·增量 SVM | 第49-52页 |
| ·SVM 的概率输出 | 第52-53页 |
| ·近邻传播聚类算法 | 第53-54页 |
| ·基于 AP 聚类的增量主动学习框架 | 第54-58页 |
| ·类别均匀采样和 Margin 策略 | 第54-56页 |
| ·基于 AP 聚类的 Multi-pool Margin 算法 | 第56-58页 |
| ·基于主动学习的图像分类实验 | 第58-61页 |
| ·实验数据集 | 第58页 |
| ·实验结果与分析 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 第六章 工作总结与展望 | 第62-64页 |
| ·本文工作总结 | 第62页 |
| ·本文存在的不足 | 第62-63页 |
| ·未来工作展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 研究成果 | 第72-73页 |