| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 深度学习 | 第11-12页 |
| 1.2.2 代价敏感学习 | 第12-13页 |
| 1.3 研究内容和论文组织结构 | 第13-16页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 论文组织结构 | 第14-16页 |
| 第2章 相关技术研究 | 第16-26页 |
| 2.1 常用的图像分类方法 | 第16-20页 |
| 2.1.1 基于底层视觉特征的图像分类 | 第16-17页 |
| 2.1.2 基于高层语义特征的图像分类 | 第17页 |
| 2.1.3 基于单层特征学习的图像分类 | 第17-20页 |
| 2.2 基于深度学习的图像分类 | 第20-22页 |
| 2.2.1 深度置信网络 | 第20-21页 |
| 2.2.2 堆叠自编码器 | 第21页 |
| 2.2.3 卷积神经网络 | 第21-22页 |
| 2.3 代价敏感学习相关定义与技术 | 第22-25页 |
| 2.3.1 重构数据集 | 第22-23页 |
| 2.3.2 代价敏感的分类算法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 Triplet-Sampling CNN特征学习 | 第26-34页 |
| 3.1 VGG-16结构 | 第26-27页 |
| 3.2 度量函数Triplet loss | 第27-29页 |
| 3.2.1 FaceNet网络结构 | 第27-28页 |
| 3.2.2 Triplet Loss原理 | 第28-29页 |
| 3.3 改进Triplet-Sampling | 第29-30页 |
| 3.3.1 三元组的选择 | 第29-30页 |
| 3.4 网络模型训练 | 第30-33页 |
| 3.4.1 迁移学习 | 第30-32页 |
| 3.4.2 模型微调 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 代价敏感图像分类 | 第34-40页 |
| 4.1 代价敏感支持向量机 | 第34-37页 |
| 4.1.1 支持向量机算法 | 第34-36页 |
| 4.1.2 支持向量机代价敏感化 | 第36-37页 |
| 4.2 误分类代价矩阵 | 第37页 |
| 4.3 误分类代价的定义 | 第37-38页 |
| 4.4 实验对比 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 实验结果与分析 | 第40-51页 |
| 5.1 实验准备与评价指标 | 第41-44页 |
| 5.1.1 实验数据集准备 | 第41-42页 |
| 5.1.2 数据归一化与提升 | 第42-43页 |
| 5.1.3 评价指标 | 第43-44页 |
| 5.2 Triplet-CSSVM在人脸识别上的应用 | 第44-47页 |
| 5.2.1 实验说明 | 第44页 |
| 5.2.2 实验一 | 第44-45页 |
| 5.2.3 实验二 | 第45-46页 |
| 5.2.4 实验三 | 第46-47页 |
| 5.3 Triplet-CSSVM用于spam检测 | 第47-50页 |
| 5.3.1 实验说明 | 第47-49页 |
| 5.3.2 实验结果与分析 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 总结与展望 | 第51-53页 |
| 总结 | 第51页 |
| 展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士期间发表的论文 | 第58页 |
