摘要
图目录
表目录
第1章 绪论
1.1 研究背景
1.2 研究问题
1.3 本文研究内容与贡献
1.4 本文组织结构
第2章 相关研究综述
2.1 图像底层特征
2.1.1 全局特征
2.1.2 局部特征
2.2 图像标注算法
2.2.1 单标签图像标注
2.2.2 基于贝叶斯理论的图像多标注算法
2.2.3 半监督图像标注算法
2.2.4 跨域学习
2.3 稀疏表达概述
2.4 本章小结
第3章 基于组稀疏和多核学习的图像标注算法
3.1 引言
3.2 结合组lasso和Logistic回归的异构特征选择算法
3.2.1 符号表达
3.2.2 算法描述及求解
3.2.3 实验数据及评价标准
3.2.4 实验步骤及实验结果分析
3.3 基于组稀疏和多核学习的图像标注算法
3.3.1 结构组稀疏和多核学习的特征选择
3.3.2 算法流程
3.3.3 实验数据及评价标准
3.3.4 实验步骤及实验结果分析
3.4 结合组稀疏和组合核学习的图像标注算法
3.4.1 算法描述及求解
3.4.2 实验步骤及实验结果分析
3.4.3 稀疏性分析及参数调节
3.5 本章小结
第4章 结合组稀疏的半监督跨域学习图像标注
4.1 引言
4.2 结合组稀疏的半监督跨域学习算法
4.2.1 符号表达
4.2.2 算法描述
4.2.3 算法求解
4.3 实验分析
4.3.1 实验步骤
4.3.2 实验结果与分析
4.3.3 实验复杂度分析
4.4 本章小结
第5章 基于非凸组稀疏的图像标注算法
5.1 引言
5.2 非凸组稀疏特征选择
5.2.1 符号表达
5.2.2 模型表示
5.2.3 算法求解
5.2.4 强化图像标注
5.3 非凸组稀疏的一致性证明
5.3.1 Oracle性质
5.3.2 复杂度分析
5.3.3 模拟数据上的一致性特征选择实验
5.3.4 属性数据上的一致性特征选择实验
5.4 多标签图像标注
5.4.1 实验步骤
5.4.2 参数调节
5.4.3 性能比较
5.5 本章小结
第6章 基于非凸组稀疏的多核学习图像标注
6.1 引言
6.2 非凸组稀疏多核学习算法
6.2.1 符号表达
6.2.2 算法描述
6.2.3 算法求解
6.2.4 图像多标注算法性能提升
6.3 MKL-NOVA算法一致性证明
6.3.1 模拟数据上的算法一致性证明
6.3.2 属性数据上的算法一致性证明
6.4 图像多标注实验
6.4.1 实验步骤
6.4.2 实验结果与分析
6.5 本章小结
第7章 总结与展望
7.1 总结
7.2 展望
参考文献
攻读博士学位期间主要的研究成果
致谢