声明
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 基于视觉特征表达的学习
1.2.2 极限学习机
1.2.3 深度学习
1.2.4 基于单标签和多标签的有监督学习
1.2.5 基于噪声标签数据的半监督学习
1.2.6 基于行人再识别的无监督学习
1.3 本文的主要内容和组织结构
1.3.1 研究目标
1.3.2 主要内容
1.3.3 本文的组织结构
第2章 基于视觉特征学习和极限学习机的图像分类算法研究
2.1 引言
2.2 双色反射模型
2.3 基于视觉特征学习的图像分类算法
2.3.1 系统框架
2.3.2 不同种颜色的SIFT特征描述子
2.3.3 不同特征编码方法
2.4 传统图象分类方法与极限学习机
2.4.1 经典的SVM方法
2.4.2 极限学习机方法
2.5 实验方案与性能分析
2.5.1 数据集介绍
2.5.2 评价指标
2.5.3 实现细节
2.5.4 实验结果及性能分析
2.5.5 消融实验及性能分析
2.6 本章小结
第3章 基于卷积神经网络与多重VLAD编码方法结合的图像分类算法研究
3.1 引言
3.2 传统经典的图像分类方法
3.3 基于深度卷积神经网络与多重VLAD特征编码的图像分类框架
3.3.1 CNNs特征提取、预处理和字典
3.3.2 空间金字塔匹配方法
3.3.3 多重VLAD特征编码
3.4 实验方案与性能分析
3.4.1 数据集和网络模型介绍
3.4.2 评价指标
3.4.3 实现细节
3.4.4 实验结果及性能分析
3.5 本章小结
第4章 基于引导学习和噪声监督的商品图像识别算法研究
4.1 引言
4.2 噪声数据和知识蒸馏的相关方法介绍
4.2.1 噪声数据集
4.2.2 噪声数据学习的方法
4.2.3 知识蒸馏
4.3 Products-90数据集
4.4 引导学习框架
4.4.1 老师网络
4.4.2 学生网络
4.5 实验方案与性能分析
4.5.1 数据集介绍
4.5.2 评价指标
4.5.3 实现细节
4.5.4 实验结果及性能分析
4.5.5 消融实验及性能分析
4.6 本章小结
第5章 基于图网络学习标签关系的多标签图像识别算法研究
5.1 引言
5.2 传统的多标签图像识别和图卷积神经网络的相关方法
5.2.1 多标签图像识别
5.2.2 图卷积神经网络
5.3 基于A-GCN模块的多标签图像识别模型框架
5.3.1 问题的定义
5.3.2 基于A-GCN的模块学习框架
5.4 实验方案与性能分析
5.4.1 数据集介绍
5.4.2 评价指标
5.4.3 实现细节
5.4.4 实验结果及性能分析
5.4.5 消融实验及性能分析
5.5 本章小结
第6章 基于元学习注意力特征的无监督行人再识别算法研究
6.1 引言
6.2 传统行人再识别和元学习的相关方法
6.2.1 传统行人再识别方法
6.2.2 元学习方法
6.3 基于元学习注意力特征的行人再识别框架
6.3.1 无监督行人再识别问题定义
6.3.2 元学习注意力特征模型框架
6.3.3 交叉域下元学习注意力特征框架网络学习方式
6.4 实验方案与性能分析
6.4.1 数据集介绍
6.4.2 评价指标
6.4.3 实现细节
6.4.4 实验结果及性能分析
6.4.5 消融实验及性能分析
6.5 本章小结
第7章 总结与展望
7.1 本文工作总结
7.2 未来研究展望
致谢
参考文献
攻读博士学位期间的研究成果
西南交通大学;