基于多示例学习的图像检索与推荐相关算法研究

摘要	第1-5页
Abstract	第5-7页
目录	第7-10页
第一章 绪论	第10-19页
·课题研究背景与意义	第10-14页
·课题研究基础	第14-16页
·论文成果及内容安排	第16-18页
·本文工作的主要贡献和创新	第16-17页
·论文结构	第17-18页
·本章小节	第18-19页
第二章 国内外相关研究现状分析	第19-37页
·多示例学习	第19-30页
·多示例学习的起源	第19-21页
·多示例学习与传统机器学习的区别	第21-22页
·多示例学习分类算法及存在问题	第22-30页
·多示例学习的图像分类和检索	第30-33页
·图像推荐及相关方法研究	第33-36页
·本章小节	第36-37页
第三章 基于角度匹配和上下文依赖的SIFT核函数	第37-58页
·SIFT局部特征提取方法	第37-40页
·SIFT核函数的数学模型	第40-41页
·SIFT核函数比较及分析	第41-45页
·AMK核函数构造方法	第45-53页
·AMK核函数算法框架	第45-46页
·相关定义和定理	第46-49页
·获取平均SIFT向量和SIFT配对点	第49-51页
·构建SIFT核函数	第51-53页
·实验结果与分析	第53-57页
·实验一	第53-56页
·实验二	第56-57页
·本章小结	第57-58页
第四章 基于EMD距离的多示例图像聚类算法	第58-67页
·引言	第58-59页
·基于EMD距离的MIL聚类方法	第59-64页
·多示例聚类问题描述	第59页
·BAMIC算法及存在问题	第59-60页
·改进EMD距离	第60-63页
·ECMIL算法	第63-64页
·实验结果与分析	第64-66页
·Musk数据集	第64-65页
·Corel和SIVAL数据集	第65-66页
·本章小结	第66-67页
第五章 基于正示例选择的多示例图像分类算法	第67-80页
·引言	第67-68页
·CK_MIL和ck-MIL算法	第68-74页
·本节方法综述	第68-70页
·获取包内正示例	第70-72页
·计算包结构	第72-73页
·多核和ck_MIL核	第73-74页
·实验结果与分析	第74-79页
·k值影响分析	第75页
·基准测试数据集	第75-77页
·图像数据集	第77-78页
·算法效率分析	第78-79页
·本章小结	第79-80页
第六章 基于谱聚类多示例学习的对象图像检索算法	第80-95页
·引言	第80-82页
·基于多示例学习的图像检索框架	第82-83页
·基于SCAMK_MIL的图像检索算法	第83-89页
·正示例代表的选择	第83-86页
·SCAMK_MIL核函数的计算	第86-88页
·SVM分类及相关反馈	第88-89页
·实验结果与分析	第89-94页
·图像库及实验方法	第89-90页
·参数k和α对算法性能的影响	第90-91页
·实验结果及分析	第91-94页
·本章小结	第94-95页
第七章 基于多示例学习的对象图像推荐算法	第95-109页
·引言	第95-97页
·DD_RS推荐算法	第97-101页
·多示例学习的图像推荐	第97页
·多示例用户相似性计算	第97-99页
·组合推荐	第99-100页
·实验结果与分析	第100-101页
·CKMIL_RS推荐算法	第101-108页
·图像底层特征提取	第102-105页
·多示例用户相似性计算	第105-107页
·实验结果与分析	第107-108页
·本章小结	第108-109页
第八章 总结与展望	第109-113页
·工作总结	第109-110页
·未来工作展望	第110-113页
参考文献	第113-134页
致谢	第134-135页
攻读博士学位期间的研究成果	第135-136页