| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题背景及研究的目的和意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-12页 |
| 1.1.2 研究的目的和意义 | 第12页 |
| 1.2 图像分类算法的发展概况 | 第12-18页 |
| 1.2.1 基于特征编码的图像分类整体框架 | 第13页 |
| 1.2.2 特征编码算法 | 第13-17页 |
| 1.2.3 非负编码的有效性 | 第17页 |
| 1.2.4 基于SPNs的图像分类算法的研究现状 | 第17-18页 |
| 1.3 本文的主要研究内容 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 第2章 非负局部约束线性编码图像分类算法 | 第20-27页 |
| 2.1 基于SPM的图像分类整体框架 | 第20-21页 |
| 2.2 非负局部约束线性编码 | 第21-24页 |
| 2.2.1 局部约束线性编码 | 第21页 |
| 2.2.2 近似LLC编码 | 第21-22页 |
| 2.2.3 非负局部约束线性编码 | 第22-23页 |
| 2.2.4 NNLLC的稳定性 | 第23-24页 |
| 2.3 快速近似非负编码算法 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 关于NNLLC的图像分类实验及结果分析 | 第27-34页 |
| 3.1 图像分类结果的比较 | 第27-29页 |
| 3.2 编码时间的比较 | 第29页 |
| 3.3 参数k的选择与编码方式的稳定性 | 第29-31页 |
| 3.3.1 NNLLC稳定性的评测 | 第30页 |
| 3.3.2 参数k的选择 | 第30-31页 |
| 3.4 关于NNLLC的其它实验结果 | 第31-34页 |
| 第4章 基于SPNS结构学习的图像分类算法 | 第34-57页 |
| 4.1 SUM-PRODUCT NETWORKS | 第34-39页 |
| 4.1.1 SPNs介绍 | 第35-36页 |
| 4.1.2 关于SPNs的定义与定理 | 第36-37页 |
| 4.1.3 关于SPNs的扩展 | 第37-39页 |
| 4.2 SPNS的生成式与判别式学习 | 第39-46页 |
| 4.2.1 SPNs的生成式学习 | 第39-43页 |
| 4.2.2 SPNs的判别式学习 | 第43-46页 |
| 4.3 SPNS的结构学习算法 | 第46-51页 |
| 4.3.1 SPNs的定义补充 | 第47页 |
| 4.3.2 SPNs结构学习算法 | 第47-51页 |
| 4.4 基于SPNS结构学习的图像分类算法 | 第51-54页 |
| 4.4.1 LearnSPN算法 | 第52页 |
| 4.4.2 改进后的NLearnSPN算法 | 第52-54页 |
| 4.5 关于SPNS结构学习的图像分类实验及结果分析 | 第54-56页 |
| 4.5.1 LearnSPN算法的实验结果 | 第55-56页 |
| 4.5.2 NLearnSPN算法的实验结果 | 第56页 |
| 4.6 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-66页 |
| 致谢 | 第66-67页 |