图像自动标注算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第14-26页 |
| 1.1 课题背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-24页 |
| 1.2.1 基于概率统计模型的方法 | 第17-19页 |
| 1.2.2 关联文本法 | 第19-20页 |
| 1.2.3 分类法 | 第20-24页 |
| 1.3 研究内容和目标 | 第24-25页 |
| 1.4 本文组织结构 | 第25-26页 |
| 2 研究基础 | 第26-33页 |
| 2.1 引言 | 第26页 |
| 2.2 多示例学习 | 第26-30页 |
| 2.3 示例的分割 | 第30-31页 |
| 2.4 特征提取 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 基于联合特征选择的多示例图像语义自动标注 | 第33-49页 |
| 3.1 引言 | 第33-34页 |
| 3.2 特征选择 | 第34-35页 |
| 3.3 半监督学习 | 第35-36页 |
| 3.4 基于流形学习的特征优化 | 第36-38页 |
| 3.4.1 主成分分析 | 第36-37页 |
| 3.4.2 局部线性嵌入 | 第37页 |
| 3.4.3 图拉普拉斯 | 第37-38页 |
| 3.5 稀疏表示 | 第38-39页 |
| 3.6 算法优化 | 第39-42页 |
| 3.7 实验 | 第42-44页 |
| 3.7.1 数据集 | 第42-43页 |
| 3.7.2 标签准确率判定 | 第43-44页 |
| 3.8 实验结果及分析 | 第44-47页 |
| 3.9 本章小结 | 第47-49页 |
| 4 基于最大熵模型的标签分布学习 | 第49-61页 |
| 4.1 引言 | 第49-50页 |
| 4.2 标签分布 | 第50-51页 |
| 4.3 算法 | 第51-55页 |
| 4.4 实验结果及分析 | 第55-59页 |
| 4.4.1 基于联合特征选择的标签分布学习 | 第55-57页 |
| 4.4.2 基于最大熵模型的标签分布学习 | 第57-59页 |
| 4.5 本章小结 | 第59-61页 |
| 5 总结与展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 作者简历 | 第66页 |
