基于迁移学习的图像分类算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 1 绪论 | 第14-23页 |
| 1.1 研究的背景和意义 | 第14-17页 |
| 1.2 迁移学习的研究现状 | 第17-20页 |
| 1.2.1 基于模型参数的迁移学习 | 第18-19页 |
| 1.2.2 基于特征的迁移学习 | 第19页 |
| 1.2.3 基于实例的迁移学习 | 第19-20页 |
| 1.2.4 基于关联规则的迁移 | 第20页 |
| 1.3 论文的主要工作和章节安排 | 第20-23页 |
| 1.3.1 主要工作 | 第20-21页 |
| 1.3.2 章节安排 | 第21-23页 |
| 2 基于模型参数迁移的图像分类算法研究 | 第23-37页 |
| 2.1 本章引言 | 第23-24页 |
| 2.2 SVM算法与LS-SVM算法 | 第24-26页 |
| 2.3 改进LS-SVM算法 | 第26-29页 |
| 2.3.1 改进LS-SVM算法的学习函数 | 第26-28页 |
| 2.3.2 迁移权重 | 第28-29页 |
| 2.4 实验结果与分析 | 第29-36页 |
| 2.4.1 食品类别 | 第30-31页 |
| 2.4.2 交通工具类别 | 第31-32页 |
| 2.4.3 混合类别 | 第32-34页 |
| 2.4.4 λ参数比较 | 第34-36页 |
| 2.5 小结 | 第36-37页 |
| 3 基于特征迁移的图像分类算法研究 | 第37-48页 |
| 3.1 本章引言 | 第37-38页 |
| 3.2 流形学习 | 第38-40页 |
| 3.2.1 局部线性嵌入 | 第38-39页 |
| 3.2.2 拉普拉斯映射 | 第39页 |
| 3.2.3 等距映射算法 | 第39-40页 |
| 3.3 基于流型几何的特征迁移算法 | 第40-43页 |
| 3.3.1 构建相似矩阵 | 第41-43页 |
| 3.3.2 映射矩阵A | 第43页 |
| 3.4 实验结果和分析 | 第43-46页 |
| 3.4.1 数据集Scene-15 | 第44-45页 |
| 3.4.2 数据集CUReT-61 | 第45-46页 |
| 3.4.3 数据集Event-8 | 第46页 |
| 3.5 小结 | 第46-48页 |
| 4 基于实例迁移的图像分类算法研究 | 第48-58页 |
| 4.1 本章引言 | 第48-49页 |
| 4.2 TrAdaBoost算法 | 第49-51页 |
| 4.3 改进的多源TrAdaBoost算法 | 第51-54页 |
| 4.4 实验结果与分析 | 第54-57页 |
| 4.5 小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 研究工作总结 | 第58-59页 |
| 5.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 作者简介 | 第65页 |
