| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 课题的背景及意义 | 第12-14页 |
| 1.2 课题研究现状 | 第14-22页 |
| 1.2.1 图像低层特征提取研究现状 | 第14-16页 |
| 1.2.2 视觉属性学习的研究现状 | 第16-20页 |
| 1.2.3 域适应学习的研究现状 | 第20-22页 |
| 1.3 视觉属性学习中存在的问题 | 第22-23页 |
| 1.4 论文的主要研究内容和安排 | 第23-26页 |
| 第二章 基于视觉属性的跨域图像分类 | 第26-48页 |
| 2.1 引言 | 第26-27页 |
| 2.2 视觉属性学习基础 | 第27-38页 |
| 2.2.1 视觉属性图像数据集 | 第27-29页 |
| 2.2.2 底层特征提取 | 第29-31页 |
| 2.2.3 词袋模型 | 第31-33页 |
| 2.2.4 图像特征表示的改进 | 第33-34页 |
| 2.2.5 视觉属性的形成 | 第34-38页 |
| 2.3 基于视觉属性的跨域分类 | 第38-47页 |
| 2.3.1 实验结果和分析 | 第38-47页 |
| 2.4 本章小结 | 第47-48页 |
| 第三章 基于区分性子空间对齐的域适应视觉属性学习方法 | 第48-68页 |
| 3.1 引言 | 第48-50页 |
| 3.2 基于子空间对齐的无监督域适应学习基本理论 | 第50-51页 |
| 3.3 基于区分性子空间对齐的无监督域适应学习方法 | 第51-58页 |
| 3.3.1 区分性子空间 | 第52-57页 |
| 3.3.2 伪标签的生成 | 第57-58页 |
| 3.4 实验分析 | 第58-66页 |
| 3.4.1 实验数据集 | 第58-59页 |
| 3.4.2 域适应对比实验分析 | 第59-61页 |
| 3.4.3 视觉属性学习实验结果和分析 | 第61-64页 |
| 3.4.4 视觉属性预测分析讨论 | 第64-66页 |
| 3.5 本章小结 | 第66-68页 |
| 第四章 基于潜在稀疏子空间的域适应视觉属性学习方法 | 第68-82页 |
| 4.1 引言 | 第68-69页 |
| 4.2 相关理论基础 | 第69-72页 |
| 4.2.1 稀疏子空间框架 | 第69-71页 |
| 4.2.2 最大均值差异嵌入 | 第71-72页 |
| 4.3 基于潜在稀疏子空间的域适应学习方法 | 第72-77页 |
| 4.3.1 约束稀疏系数 | 第73-74页 |
| 4.3.2 约束简约潜在空间投影 | 第74页 |
| 4.3.3 基于潜在稀疏子空间的域适应算法 | 第74-75页 |
| 4.3.4 算法的优化求解 | 第75-77页 |
| 4.4 实验结果和分析 | 第77-81页 |
| 4.4.1 域适应方法对比实验分析 | 第77-78页 |
| 4.4.2 时间效率对比实验 | 第78页 |
| 4.4.3 视觉属性学习实验与分析 | 第78-79页 |
| 4.4.4 视觉属性预测分析讨论 | 第79-81页 |
| 4.5 本章小结 | 第81-82页 |
| 第五章 总结与展望 | 第82-84页 |
| 5.1 工作总结 | 第82页 |
| 5.2 工作展望 | 第82-84页 |
| 致谢 | 第84-86页 |
| 参考文献 | 第86-92页 |
| 作者在学期间取得的学术成果 | 第92-93页 |
| 附录A SUN属性数据集中视觉属性列表 | 第93页 |
