| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 目录 | 第5-7页 |
| 第一章 介绍 | 第7-13页 |
| 1.1 机器学习和神经科学在计算机视觉中的作用 | 第7-8页 |
| 1.2 计算机视觉系统的一般过程 | 第8页 |
| 1.3 特征提取 | 第8-9页 |
| 1.4 模型训练 | 第9-10页 |
| 1.5 概率图模型 | 第10页 |
| 1.6 计算机视觉领域中的概率图模型 | 第10-12页 |
| 1.7 本论文主要工作 | 第12-13页 |
| 第二章 概率图模型和算法 | 第13-31页 |
| 2.1 条件独立 | 第14页 |
| 2.2 有向图模型（贝叶斯网络） | 第14-18页 |
| 2.3 无向图模型 | 第18-20页 |
| 2.4 学习准则和EM算法 | 第20-22页 |
| 2.5 推断（Inference） | 第22-31页 |
| 2.5.1 信念传递算法 | 第23-25页 |
| 2.5.2 近似推断 | 第25-26页 |
| 2.5.3 Variational推断 | 第26-27页 |
| 2.5.4 采样法 | 第27-31页 |
| 第三章 Latent Dirichlet Allocation(LDA) | 第31-43页 |
| 3.1 多项分布 | 第31页 |
| 3.2 Dirichlet分布 | 第31-32页 |
| 3.3 LDA的生成模型 | 第32-34页 |
| 3.4 LDA的variational推断 | 第34-37页 |
| 3.5 LDA的Gibbs采样 | 第37-39页 |
| 3.6 贝叶斯决策 | 第39-43页 |
| 第四章 仿射不变的主题模型（AITM） | 第43-53页 |
| 4.1 AITM模型描述 | 第44-47页 |
| 4.2 AITM的Gibbs采样 | 第47-50页 |
| 4.3 AITM的模型参数学习 | 第50-52页 |
| 4.4 AITM的贝叶斯决策 | 第52-53页 |
| 第五章 实验 | 第53-59页 |
| 5.1 数据集介绍 | 第53页 |
| 5.1.1 Caltech-101 | 第53页 |
| 5.1.2 Caltech-256 | 第53页 |
| 5.2 实验配置和结果 | 第53-59页 |
| 第六章 总结和讨论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读学位论文期间发表的学术论文目录 | 第66-68页 |