| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 致谢 | 第11-18页 |
| 第一章 绪论 | 第18-29页 |
| ·引言 | 第18页 |
| ·国内外研究现状 | 第18-22页 |
| ·集成学习的研究现状 | 第18-20页 |
| ·集成学习在视觉任务中研究现状 | 第20-22页 |
| ·本文的研究内容与创新点 | 第22-23页 |
| ·章节安排 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 参考文献 | 第25-29页 |
| 第二章 集成学习相关理论 | 第29-44页 |
| ·引言 | 第29页 |
| ·集成学习基本理论 | 第29-33页 |
| ·集成学习的定义 | 第29-30页 |
| ·集成学习算法 | 第30-33页 |
| ·经典集成模型 | 第33-40页 |
| ·Bagging 模型 | 第33-34页 |
| ·boosting 模型 | 第34-37页 |
| ·决策树及其集成模型 | 第37-40页 |
| ·本章小结 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 第三章 基于特征核分类的图像奇异性检测 | 第44-69页 |
| ·引言 | 第44页 |
| ·图像的特征的表示 | 第44-50页 |
| ·常用的特征表示 | 第45-48页 |
| ·独立子空间表达 | 第48-50页 |
| ·AP 聚类的奇异性样本检测 | 第50-59页 |
| ·支持向量的选择 | 第50-56页 |
| ·AP 聚类的数据空间表示 | 第56-57页 |
| ·AP 奇异点检测与核空间构建 | 第57-58页 |
| ·奇异点的核分类判别 | 第58-59页 |
| ·实验结果与分析 | 第59-66页 |
| ·ISA 特征参数选择 | 第59页 |
| ·图像检索 | 第59-62页 |
| ·图像分类 | 第62-63页 |
| ·多核特征集成的场景分类 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 第四章 无监督集成聚类下的图像分割 | 第69-90页 |
| ·引言 | 第69页 |
| ·无监督聚类方法 | 第69-77页 |
| ·基于划分的聚类方法 | 第70-71页 |
| ·基于层次的聚类方法 | 第71-77页 |
| ·集成聚类下的图像分割 | 第77-84页 |
| ·特征向量提取 | 第77页 |
| ·超像素聚类参数估计 | 第77-78页 |
| ·基聚类器标签对齐 | 第78-80页 |
| ·基聚类器标签合并 | 第80-82页 |
| ·图像分割的区域合并 | 第82-83页 |
| ·图像分割的评价机制 | 第83-84页 |
| ·实验结果与分析 | 第84-88页 |
| ·本章小结 | 第88-89页 |
| 参考文献 | 第89-90页 |
| 第五章 迁移学习下的集成图像分类 | 第90-105页 |
| ·引言 | 第90页 |
| ·多源 Adaboost 集成迁移学习 | 第90-93页 |
| ·迁移学习概况 | 第90-91页 |
| ·集成迁移学习 | 第91-92页 |
| ·多源迁移学习 | 第92-93页 |
| ·改进的多源 TrAdaboost 算法 | 第93-96页 |
| ·目标域、源域间样本分布的协变量偏移 | 第93-94页 |
| ·协变量偏移条件下的损失函数修正 | 第94-95页 |
| ·可迁移测度准则下的多源 TrAdaboost 算法 | 第95-96页 |
| ·实验结果与分析 | 第96-102页 |
| ·实验图像集 | 第96页 |
| ·算法性能分析 | 第96-99页 |
| ·实验结果与分析 | 第99-102页 |
| ·本章小结 | 第102-103页 |
| 参考文献 | 第103-105页 |
| 第六章 总结与展望 | 第105-109页 |
| ·本文总结 | 第105-107页 |
| ·研究展望 | 第107-109页 |
| 攻读博士学位期间发表的论文 | 第109页 |
| 攻读博士学位期间参加的科研项目 | 第109页 |