| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景和意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-15页 |
| 1.3.1 多示例学习 | 第11-12页 |
| 1.3.2 多标记学习 | 第12-13页 |
| 1.3.3 多示例多标记学习 | 第13-15页 |
| 1.4 论文主要内容及组织结构 | 第15-16页 |
| 第2章 基于MIML的经典自然场景图像分类算法 | 第16-32页 |
| 2.1 基于SBN的图像特征提取 | 第16-18页 |
| 2.2 基于MIML的经典自然场景图像分类算法 | 第18-28页 |
| 2.2.1 MIMLBOOST算法 | 第18-20页 |
| 2.2.2 MIMLSVM算法 | 第20-21页 |
| 2.2.3 M3MIML算法 | 第21-26页 |
| 2.2.4 MIML-KNN算法 | 第26-28页 |
| 2.3 实验与讨论 | 第28-31页 |
| 2.3.1 算法评价指标 | 第28-29页 |
| 2.3.2 实验设计 | 第29-30页 |
| 2.3.3 实验结果与分析 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于MIMLRBF的自然场景图像分类算法及改进 | 第32-43页 |
| 3.1 基于MIMLRBF的自然场景分类算法 | 第32-35页 |
| 3.2 基于MIMLRBF的自然场景图像分类算法改进 | 第35-38页 |
| 3.2.1 包间距离的度量方式及改进 | 第35-37页 |
| 3.2.2 基于谱聚类算法获取中心点 | 第37-38页 |
| 3.3 实验与讨论 | 第38-42页 |
| 3.3.1 实验设计 | 第38-39页 |
| 3.3.2 实验结果与分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于稀疏编码和多层神经网的自然场景图像分类的MIML算法 | 第43-54页 |
| 4.1 基于稀疏编码和多层神经网的自然场景图像分类的MIML算法设计. | 第43-44页 |
| 4.2 基于稀疏编码和多层神经网的自然场景图像分类的MIML算法实现. | 第44-47页 |
| 4.2.1 图像示例的稀疏化表达 | 第44-46页 |
| 4.2.2 基于多层前馈神经网络的MIML模型设计 | 第46-47页 |
| 4.3 实验与讨论 | 第47-52页 |
| 4.3.1 实验设计 | 第47-48页 |
| 4.3.2 实验结果与分析 | 第48-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第5章 工作总结与展望 | 第54-57页 |
| 5.1 工作总结 | 第54-55页 |
| 5.2 工作展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读学位期间获得与学位论文相关的科研成果目录 | 第61页 |
