首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于主动学习的图像分类研究

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

论文共73页,点击 下载论文
上一篇:非对称电磁式位移传感器结构性能仿真技术研究
下一篇:变分贝叶斯超分辨率重建算法研究