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 |