| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 卷积神经网络 | 第11-12页 |
| 1.2.2 领域自适应 | 第12-16页 |
| 1.3 研究工作概述 | 第16-17页 |
| 1.4 论文内容安排 | 第17-19页 |
| 第二章 结合CORAL与dCNN的有监督领域自适应方法 | 第19-28页 |
| 2.1 引言 | 第19页 |
| 2.2 相关算法介绍 | 第19-22页 |
| 2.2.1 dCNN：带有域分类器的CNN | 第19-21页 |
| 2.2.2 CORAL：相关性对齐算法 | 第21-22页 |
| 2.3 网络结构的简化与dCNN和CORAL的组合 | 第22-27页 |
| 2.3.1 网络结构的简化 | 第22-24页 |
| 2.3.2 分类器与CORAL算法的组合模型 | 第24-25页 |
| 2.3.3 实验结果与分析 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 分批处理目标数据集的半监督领域自适应算法 | 第28-41页 |
| 3.1 引言 | 第28页 |
| 3.2 测试集分类错误数据分析——以MNIST为例 | 第28-32页 |
| 3.2.1 问题分析 | 第28-29页 |
| 3.2.2 实验设计与结果分析 | 第29-32页 |
| 3.3 基于深度神经网络的分批处理半监督学习 | 第32-40页 |
| 3.3.1 实验设计 | 第32-34页 |
| 3.3.2 实验结果与分析 | 第34-36页 |
| 3.3.3 参数稳定性分析 | 第36-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 广义的迁移学习聚类模型与无监督领域自适应算法 | 第41-50页 |
| 4.1 引言 | 第41页 |
| 4.2 广义的无监督迁移学习步骤与模型 | 第41-43页 |
| 4.3 局部核对齐的多核聚类算法 | 第43-49页 |
| 4.3.1 相关背景 | 第43-45页 |
| 4.3.2 相关工作 | 第45-46页 |
| 4.3.3 实验流程与结果分析 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 结束语 | 第50-53页 |
| 5.1 工作总结 | 第50-51页 |
| 5.2 工作展望 | 第51-53页 |
| 致谢 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 作者在学期间取得的学术成果 | 第61页 |
