第1章 绪论 1
1.1 研究背景与意义 1
1.2 基于多核学习的图像分类 4
1.3 研究现状 7
第2章 图像表征 17
2.1 场景要点 17
2.2 方向梯度直方图 21
2.3 尺度不变特征变换 25
2.4 直线特征 33
2.5 自相似性描述符 40
2.6 纹理元 43
2.7 几何概率映射 48
第3章 图像分类中的核方法 55
3.1 图像表征与核 55
3.2 风险最小化学习 62
3.3 核与线性分类器 67
3.4 支持向量机分类器 75
第4章 局部多核学习的正则风险框架 81
4.1 多核学习的正则风险框架 81
4.2 流行的多核学习形式 84
4.3 局部多核学习的正则风险框架简介 89
4.4 图像数据库 92
4.5 核矩阵构造及图像特征 94
4.6 实验设置与评价准则 96
第5章 基于样本级优化的方法 98
5.1 原-对偶等价形式 102
5.2 样本级的交替优化 103
5.3 样本级的目标函数求解 105
5.4 实验结果与分析 107
第6章 基于半定规划的方法 124
6.1 lp范数LMKL框架 124
6.2 单约束QCQP的SDP松弛 126
6.3 SDP求解局部化γ 129
6.4 实验结果与分析 132
第7章 基于门函数的方法 147
7.1 Gonen＆Alpaydin的方法 147
7.2 分组敏感的方法 151
7.3 基于概率置信核的方法 155
7.4 实验结果与分析 161
第8章 局部多核学习的贝叶斯视角 174
8.1 贝叶斯框架 174
8.2 高斯过程 179
8.3 多核学习的贝叶斯视角 185
8.4 局部多核学习的贝叶斯视角简介 194
第9章 局部多核学习在构建生物视觉模型中的应用 198
9.1 引言 198
9.2 场景分类 200
9.3 任务引导的生物启发式Gist模型（BT-Gist） 202
9.4 数据库与实验设置 206
9.5 实验结果与分析 208
9.6 与现有方法的比较 214
9.7 BT-Gist模型讨论 219
参考文献 223