| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 论文研究的意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 论文主要工作 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-13页 |
| 第二章 模式分类的相关理论概述 | 第13-19页 |
| 2.1 机器学习方法分类 | 第13-14页 |
| 2.2 非参估计技术 | 第14-16页 |
| 2.2.1 非参估计原理 | 第14-15页 |
| 2.2.2 核密度估计原理 | 第15-16页 |
| 2.3 核方法概述 | 第16-17页 |
| 2.4 本章小节 | 第17-19页 |
| 第三章 基于 Bag of Features 算法的图像分类与检索 | 第19-33页 |
| 3.1 图像 BOF 向量的构建原理 | 第19-25页 |
| 3.1.1 图像特征的提取 | 第19-23页 |
| 3.1.2 聚类生成视觉词典 | 第23-24页 |
| 3.1.3 图像特征点的分配 | 第24-25页 |
| 3.2 基于 BOF 向量的图像分类 | 第25-29页 |
| 3.2.1 基于 SVM 的图像分类模型 | 第25-26页 |
| 3.2.2 SVM 原理介绍 | 第26-27页 |
| 3.2.3 SVM 核函数的选择 | 第27-28页 |
| 3.2.4 SVM 软件包的应用 | 第28-29页 |
| 3.3 基于 BOF 向量的图像检索 | 第29-31页 |
| 3.3.1 图像检索基本流程 | 第29页 |
| 3.3.2 常用压缩索引算法 | 第29-31页 |
| 3.4 BOF 算法中存在的问题 | 第31-32页 |
| 3.5 本章小节 | 第32-33页 |
| 第四章 基于空间 Fisher 核框架的 BOF 算法 | 第33-47页 |
| 4.1 基于 Fisher 核框架的 BOF 算法 | 第33-36页 |
| 4.1.1 Fisher 核准则 | 第33-35页 |
| 4.1.2 Fisher 核框架的 BOF 算法流程与其缺陷分析 | 第35-36页 |
| 4.2 基于 GMM 聚类的视觉词典生成 | 第36-38页 |
| 4.3 基于空间 Fisher 核框架的 BOF 算法 | 第38-45页 |
| 4.3.1 图像特征点的空间金字塔模型 | 第39-41页 |
| 4.3.2 空间 Fisher 向量的生成 | 第41-43页 |
| 4.3.3 空间局部聚合描述向量的生成 | 第43-45页 |
| 4.4 本章小节 | 第45-47页 |
| 第五章 实验结果分析 | 第47-63页 |
| 5.1 实验平台与数据集 | 第47-50页 |
| 5.2 图像分类实验对比与分析 | 第50-58页 |
| 5.2.1 Scene-15 分类实验 | 第50-56页 |
| 5.2.2 PASCAL VOC2012 分类实验 | 第56-58页 |
| 5.3 图像检索实验对比与分析 | 第58-60页 |
| 5.4 本章小节 | 第60-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 研究成果 | 第71-72页 |
