| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序 | 第8-11页 |
| 1 引言 | 第11-19页 |
| ·论文的研究背景与意义 | 第11-12页 |
| ·基于内容的图像检索技术 | 第12-17页 |
| ·图像检索技术的发展过程 | 第12-15页 |
| ·基于内容的图像检索技术的特点 | 第15页 |
| ·基于内容的图像检索技术的应用 | 第15-16页 |
| ·现有的基于内容的图像检索系统 | 第16-17页 |
| ·本文的研究工作 | 第17页 |
| ·论文的安排 | 第17-19页 |
| 2 子空间分析方法 | 第19-29页 |
| ·问题的提出 | 第19-20页 |
| ·子空间分析方法的特点与分类 | 第20-21页 |
| ·几种常用的线性子空间分析方法 | 第21-27页 |
| ·主成分分析(Principal Component Analysis，PCA) | 第21-22页 |
| ·独立成分分析(Independent Component Analysis，ICA) | 第22-23页 |
| ·ISOMAP(Isometric Mapping) | 第23-24页 |
| ·局部线性嵌入(Locally Linear Embedding，LLE) | 第24-25页 |
| ·拉普拉斯特特征映射(Laplacian Eigenmaps，LE) | 第25-27页 |
| ·本章小结 | 第27-29页 |
| 3 CBIR中的伪语义描述与稀疏主动学习技术 | 第29-47页 |
| ·问题的提出 | 第29-30页 |
| ·算法概述 | 第30-31页 |
| ·基于SVM集成的伪语义描述 | 第31-37页 |
| ·支持向量机 | 第31-33页 |
| ·集成学习(Ensemble Learning) | 第33-36页 |
| ·基于SVM集成的伪语义模型 | 第36-37页 |
| ·基于样本稀疏策略的主动学习 | 第37-42页 |
| ·主动学习(Active Learning) | 第38-39页 |
| ·初始反馈中基于随机分组的主动学习方法 | 第39-41页 |
| ·基于样本稀疏策略的SVM主动学习方法 | 第41-42页 |
| ·实验结果和分析 | 第42-45页 |
| ·本章小结 | 第45-47页 |
| 4 CBIR中基于随机子空间集成与主动学习融合的技术 | 第47-55页 |
| ·问题的提出 | 第47页 |
| ·算法概述 | 第47-49页 |
| ·基于ONPP随机子空间集成学习技术 | 第49-52页 |
| ·ONPP(Orthogonal Neighborhood Preserving Projections) | 第49-51页 |
| ·基于ONPP随机子空间的集成学习方法 | 第51-52页 |
| ·试验结果分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 5 结合流形结构和主动学习的半监督图像分类技术 | 第55-63页 |
| ·问题的提出 | 第55页 |
| ·算法介绍 | 第55-56页 |
| ·基于流形结构的半监督分类算法 | 第56-59页 |
| ·实验结果和分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 6 总结 | 第63-65页 |
| ·工作总结 | 第63-64页 |
| ·工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 硕士期间完成的论文 | 第69-73页 |
| 学位论文数据集 | 第73页 |
