声明
第一章 绪 论
1.1 研究工作的背景与意义
1.2 研究现状
1.2.1 多示例学习
1.2.2 端到端的弱监督学习方法
1.2.3 基于循环迭代的弱监督学习方法
1.3 主要研究内容与贡献
1.4 论文结构安排
第二章 相关模型与方法
2.1 深度卷积神经网络
2.1.1 基本结构
2.1.2 经典模型
2.1.3 全卷积网络
2.1.4 全局池化层
2.2 相关模型
2.2.1 SSD模型
2.2.2 图卷积网络
2.2.3 空间变换网络
2.3 计算视觉中的相关方法与技术
2.3.1 超像素分割算法
2.3.2 图像标签依赖关系建模
2.3.3 候选区域算法
第三章 基于多尺度证据的弱监督学习方法
3.1 引言
3.2 模型设计
3.2.1 多尺度特征提取网络
3.2.2 卷积适应模块
3.2.3 预测网络
3.3 基于超像素的弱监督检测算法
3.4.1 训练目标
3.4.2 训练过程
3.4.3 前馈推理过程
3.4.4 计算复杂度分析
3.5 实验
3.5.1 实验设置
3.5.2 多标签分类实验结果和分析
3.5.3 消融实验
3.5.4 单点目标定位实验结果和分析
3.5.5 多尺度证据对单点目标定位的影响
3.6 本章小结
第四章 基于图卷积网络的弱监督学习方法
4.1 引言
4.2 模型设计
4.2.1 特征提取网络
4.2.2 图卷积网络
4.2.3 预测网络
4.3 训练与推理
4.3.1 训练过程
4.3.2 推理过程
4.4 实验
4.4.1 实验设置
4.4.2 多标签分类实验结果和分析
4.4.3 消融实验
4.4.4 单点目标定位实验结果和分析
4.5 本章小结
第五章 基于空间划分的弱监督学习方法
5.1 引言
5.2 模型设计
5.2.1 特征提取和弱监督学习迁移网络
5.2.2 边界框参数生成器
5.2.3 参数化分区模块
5.3 弱监督学习方法
5.3.1 多类交叉熵损失函数
5.3.2 互约束损失函数
5.3.3 网络拓扑结构
5.4 实验
5.4.1 数据集
5.4.2 实验设置
5.4.3 多标签分类实验
5.4.4 目标检测实验
5.5 本章小结
第六章 全文总结与展望
6.1 全文总结
6.2 后续工作展望
致谢
参考文献
攻读博士学位期间取得的成果
电子科技大学;
