摘要
第一章绪论
1.1研究背景及意义
1.2研究现状
1.2.1度量学习
1.2.2支持向量机
1.3研究内容
1.4本章小结
第二章相关理论基础
2.1距离度量学习
2.2多示例学习
2.3多任务学习
2.4本章小结
第三章支持向量距离度量学习的凸模型
3.1引言
3.2相关工作
3.2.1距离度量学习
3.2.2支持向量分类
3.3凸支持向量距离度量学习
3.3.1优化问题的描述
3.3.2凸模型的构建
3.4模型优化
3.4.1参数vQ和b的凸优化子问题
3.4.2参数Q的凸优化子问题
3.4.3参数缩减方案
3.4.4算法概述
3.5实验验证
3.5.1基线与实验设置
3.5.2UCI数据集实验结果
3.5.3JAFFE面部表情数据集实验结果
3.5.4PubFig83人脸识别数据集实验结果
3.5.5参数敏感性实验
3.6本章小结
第四章面向距离度量学习的最近邻检索模型
4.1引言
4.2相关工作
4.2.1度量学习方法
4.2.2基于不同k值的最近邻方法
4.3基于最近邻搜索的距离度量学习
4.3.1优化模型的描述
4.3.2基于支持向量机的无k值最近邻分类模型
4.4模型优化
4.4.1关于搜索矩阵S的子问题
4.4.2关于度量矩阵M的子问题
4.4.3算法概述
4.4.4收敛性及时间复杂度分析
4.5实验验证
4.5.1基线与实验设置
4.5.2UCI数据集实验结果
4.5.3人体动作识别
4.5.4参数敏感性实验
4.6本章小结
第五章面向多示例距离度量学习的多任务SVM框架
5.1引言
5.2相关工作
5.2.1多示例距离度量学习
5.2.2多任务多示例学习
5.3基于多任务的多示例距离度量学习
5.3.1问题描述
5.3.2支持向量机形式的优化模型
5.4模型优化
5.4.1参数朋舡的优化
5.4.2参数以f的优化
5.4.3算法概述
5.5实验验证
5.5.1基线与实验设置
5.5.220 Newsgroups数据集实验结果
5.5.3WebKB数据集实验结果
5.5.4Reuters-21578数据集实验结果
5.6本章小结
结论与展望
参考文献
攻读学位期间取得与学位论文相关的成果
声明
致谢
广东工业大学;