随着互联网技术的快速发展和数字移动设备的广泛普及，大量的图像数据在互联网平台上出现并传播。如何准确地识别和理解这些真实场景下具有复杂视觉特性的图像充满挑战。《基于多视角学习的图像语义分析技术》围绕多视角学习中的融合与表示两个关键问题，从多视角图像聚类、多视角图像降维、多视角图像标注和基于深度模型的多视角学习等几个方面深入介绍目前主流的基于多视角学习的图像语义分析技术。针对多视角图像无监督聚类的任务，提出基于分组敏感多视角融合的图像聚类方法；针对多视角图像降维任务，提出基于双阶段子空间学习的多视角降维方法；针对多视角图像标注任务，提出图像多视角表示与标注的联合学习方法；针对基于深度模型的多视角学习任务，提出基于深度低秩子空间集成学习的多视角图像聚类方法。《基于多视角学习的图像语义分析技术》还通过在不同数据集上的对比实验验证了《基于多视角学习的图像语义分析技术》所提方法的有效性。
　　《基于多视角学习的图像语义分析技术》可作为高等院校计算机、多媒体等相关专业本科生和研究生的教材，也可作为相关领域的科研与工程技术人员的重要参考书。

第1章 绪论
1．1 研究背景
1．2 存在的问题
1．3 本书主要内容
1．4 符号说明

第2章 研究现状
2．1 本章导读
2．2 基本准则
2．2．1 一致性准则
2．2．2 补性准则
2．3 方法分类
2．3．1 协同训练
2．3．2 多核学习
2．3．3 子空间学习

第3章 基于分组敏感多视角融合的图像聚类方法研究
3．1 本章导读
3．2 相关工作
3．3 基于分组敏感多视角融合的图像聚类
3．3．1 预备知识
3．3．2 方法概述
3．3．3 初始化
3．3．4 基于成对融合的策略（GOMES-P）
3．3．5 基于中心融合的策略(GOMES-C）
3．3．6 更新图像分组Z
3．4 实验
3．4．1 对比方法
3．4．2 数据集
3．4．3 实验设置
3．4．4 评价准则
3．4．5 实验结果分析
3．4．6 参数敏感性分析
3．5 小结

第4章 基于双阶段子空间学习的多视角降维方法研究
4．1 本章导读
4．2 相关工作
4．3 双阶段多视角隐空间学习
4．3．1 预备知识
4．3．2 第一阶段：可比较表示学习
4．3．3 第二阶段：低维表示学习
4．3．4 总的目标函数
4．4 优化求解
4．4．1 更新变量U（i），v（i），z（i）
4．4．2 更新变量F
4．4．3 更新变量yi
4．4．4 收敛性分析
4．5 实验
4．5．1 数据库
4．5．2 对比方法
4．5．3 评价准则
4．5．4 实验设置
4．5．5 实验结果
4．5．6 参数敏感性分析
4．6 本章小结

第5章 图像多视角表示与标注的联合学习方法研究
5．1 本章导读
5．2 相关工作
5．3 图像多视角表示与标注的联合学习方法
5．3．1 预备知识
5．3．2 基于语义信息指导和多视角结构保留的子空间学习
5．3．3 标签预测器学习
5．3．4 投影函数学习
5．3．5 总的目标函数
5．3．6 优化算法
5．3．7 更新P
5．3．8 更新Z
5．3．9 更新a1
5．4 实验
5．4．1 数据集
5．4．2 对比方法
5．4．3 评价准则
5．4．4 实验设置
5．4．5 实验分析
5．4．6 参数敏感性分析
5．5 本章小结

第6章 基于深度低秩子空间集成学习的图像聚类方法研究
6．1 本章导读
6．2 相关工作
6．2．1 基于多核／多图学习的方法
6．2．2 基于子空间学习的方法
6．2．3 基于深度学习的方法
6．3 基于深度低秩子空间集成学习的图像聚类方法
6．3．1 预备知识
6．3．2 深度低秩子空间学习
6．3．3 多视角多层次子空间集成学习
6．3．4 最终目标函数
6．4 优化求解
6．4．1 预训练
6．4．2 Zi（v）的更新规则
6．4．3 Hi（v）的更新规则
6．4．4 Si（v的更新规则
6．4．5 F的更新规则
6．4．6 a的更新规则
6．4．7 时间复杂度分析
6．5 实验
6．5．1 数据集
6．5．2 比较方法和评估指标
6．5．3 参数设置与收敛分析
6．5．4 性能比较
6．5．5 参数敏感性分析
6．6 结论

第7章 结束语
参考文献