声明
摘要
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 主要研究内容
1.4 本文组织结构
第二章 多示例学习理论
2.1 多示例学习
2.1.1 轴平行矩形算法
2.1.2 Citation-kNN算法
2.1.3 多样性密度算法
2.1.4 基于支持向量机的多示例学习算法
2.2 多示例学习与传统学习方法的区别
2.3 多示例学习跟踪算法
2.3.1 Online Boosting
2.3.2 AdaBoost
2.3.3 MILBoost
2.4 本章小结
第三章 在线特征融合的加权多示例学习跟踪算法
3.1 分类模型
3.1.1 产生式模型
3.1.2 判别式模型
3.2 局部特征选择
3.2.1 Haar-liKe特征
3.2.2 积分图
3.2.3 HOG特征
3.2.4 分类器构造与更新
3.3 加权学习
3.4 目标定位
3.5 WFMIL算法
3.6 实验结果
3.6.1 实验参数
3.6.2 实验结果分析
3.7 本章小结
第四章 在线判别性特征选择的加权多示例学习跟踪算法
4.1 运动模型
4.2 分类器构造与更新
4.3 判别性特征选择
4.4 DWMIL算法
4.5 实验总结
4.5.1 实验参数
4.5.2 实验结果分析
4.6 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读硕士学位期间发表论文及科研情况
致谢