基于社交圈的移动设备个性化图像标注
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第8-18页 |
| 1.1 研究背景 | 第8-12页 |
| 1.2 主要研究内容和挑战 | 第12-16页 |
| 1.3 本文的主要贡献 | 第16-18页 |
| 第2章 研究现状和相关工作 | 第18-30页 |
| 2.1 本章引言 | 第18页 |
| 2.2 基于内容的图像标注 | 第18-24页 |
| 2.2.1 判别模型 | 第19-20页 |
| 2.2.2 生成模型 | 第20-22页 |
| 2.2.3 图学习模型 | 第22-24页 |
| 2.3 基于用户的个性化标注 | 第24-26页 |
| 2.4 基于社交媒体的图像标注 | 第26-28页 |
| 2.5 社交网络事件发现算法 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于多模态的社交网络事件发现方法 | 第30-41页 |
| 3.1 本章引言 | 第30-32页 |
| 3.2“相册”概念的引入 | 第32-34页 |
| 3.3 多模态特征提取及相似性度量 | 第34-37页 |
| 3.3.1 视觉特征 | 第34-35页 |
| 3.3.2 时间特征 | 第35页 |
| 3.3.3 文本特征 | 第35-36页 |
| 3.3.4 社交特征 | 第36-37页 |
| 3.4 多特征融合方法 | 第37-38页 |
| 3.5 层次聚类方法 | 第38-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 基于标签传播的个性化图像标注方法 | 第41-52页 |
| 4.1 本章引言 | 第41-42页 |
| 4.2 系统框架 | 第42-43页 |
| 4.3 事件标签的生成 | 第43-44页 |
| 4.4 标签传播算法 | 第44-49页 |
| 4.4.1 近邻的选取 | 第45页 |
| 4.4.2 权重学习 | 第45-48页 |
| 4.4.3 标签推荐 | 第48-49页 |
| 4.5 个性化分析 | 第49-50页 |
| 4.6 本章小结 | 第50-52页 |
| 第5章 实验与结果分析 | 第52-66页 |
| 5.1 数据集 | 第52-53页 |
| 5.1.1 ReSEED数据集 | 第52页 |
| 5.1.2 人人网数据集 | 第52-53页 |
| 5.2 社交网络数据特性分析 | 第53-60页 |
| 5.2.1 社交网络数据的缺失 | 第54-55页 |
| 5.2.2 社交网络的不准确性 | 第55页 |
| 5.2.3 社交网络的稀疏性 | 第55-58页 |
| 5.2.4 社交网络图像的事件性 | 第58-59页 |
| 5.2.5 相册时间跨度分析 | 第59-60页 |
| 5.3 评价指标 | 第60-62页 |
| 5.3.1 纯度、准确率、召回率和F1值 | 第60-61页 |
| 5.3.2 归一化互信息值 | 第61-62页 |
| 5.4 验证相册属性 | 第62页 |
| 5.5 事件发现算法性能评测 | 第62-63页 |
| 5.6 个性化标注性能评价 | 第63-64页 |
| 5.7 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 未来展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-76页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第76页 |
