| 摘要 | 第5-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第22-38页 |
| 1.1 课题的研究背景及意义 | 第22-25页 |
| 1.2 课题的研究现状 | 第25-31页 |
| 1.2.1 研究进展 | 第25-29页 |
| 1.2.2 存在的挑战 | 第29-30页 |
| 1.2.3 性能评估及常用数据集 | 第30-31页 |
| 1.3 论文的主要工作和研究成果 | 第31-35页 |
| 1.4 论文的结构安排 | 第35-38页 |
| 第二章 基于草图的精细图像检索相关关键技术 | 第38-52页 |
| 2.1 特征表示方法 | 第38-42页 |
| 2.1.1 基于草图的精细图像检索中常用的底层视觉特征 | 第38-39页 |
| 2.1.2 草图和图像的预处理 | 第39页 |
| 2.1.3 特征提取 | 第39-40页 |
| 2.1.4 中层结构特征学习 | 第40页 |
| 2.1.5 高层语义特征学习 | 第40-41页 |
| 2.1.6 特征表示方法总结 | 第41-42页 |
| 2.2 多层次特征融合方法 | 第42页 |
| 2.2.1 图模型 | 第42页 |
| 2.2.2 特征子空间 | 第42页 |
| 2.3 特征匹配算法 | 第42-45页 |
| 2.3.1 度量学习 | 第43页 |
| 2.3.2 图匹配 | 第43-44页 |
| 2.3.3 跨模态子空间学习 | 第44页 |
| 2.3.4 特征匹配算法总结 | 第44-45页 |
| 2.4 深度神经网络算法 | 第45-50页 |
| 2.4.1 FG-SBIR常用的基本网络结构及其变种 | 第47-49页 |
| 2.4.2 其他草图相关的任务在FG-SBIR上的成功应用 | 第49页 |
| 2.4.3 深度神经网络算法总结 | 第49-50页 |
| 2.5 本章小结 | 第50-52页 |
| 第三章 FG-SBIR的部件感知属性预测算法 | 第52-72页 |
| 3.1 引言 | 第52-54页 |
| 3.2 相关工作 | 第54-55页 |
| 3.2.1 基于草图的图像检索 | 第54页 |
| 3.2.2 精细的检索 | 第54页 |
| 3.2.3 属性的预测 | 第54-55页 |
| 3.3 基于草图的精细图像检索数据库 | 第55-57页 |
| 3.3.1 图像筛选 | 第56页 |
| 3.3.2 草图的收集 | 第56-57页 |
| 3.4 精细的属性定义和标注 | 第57-59页 |
| 3.4.1 鞋子精细的属性的发现 | 第57页 |
| 3.4.2 鞋子精细的属性的筛选和验证 | 第57-59页 |
| 3.4.3 数据标注 | 第59页 |
| 3.5 部件感知的精细属性预测算法 | 第59-63页 |
| 3.5.1 特征提取 | 第59-60页 |
| 3.5.2 通过学习共享子空间进行跨模态映射 | 第60-61页 |
| 3.5.3 基于草图的精细图像检索的部件感知 | 第61-63页 |
| 3.6 实验 | 第63-67页 |
| 3.6.1 实验设置 | 第64-65页 |
| 3.6.2 属性检测 | 第65-66页 |
| 3.6.3 FG-SBIR表现评估 | 第66-67页 |
| 3.7 数据库分析 | 第67-70页 |
| 3.7.1 不同绘画者对精细的检索的结果的影响 | 第68-70页 |
| 3.8 本章小结 | 第70-72页 |
| 第四章 FG-SBIR的协同子空间和实例级对齐算法 | 第72-88页 |
| 4.1 引言 | 第72-74页 |
| 4.2 跨域校正相关的工作 | 第74-75页 |
| 4.2.1 领域适应 | 第74页 |
| 4.2.2 跨模态校正 | 第74-75页 |
| 4.2.3 精细的检索的跨模态匹配 | 第75页 |
| 4.3 协同子空间和实例级对齐算法 | 第75-80页 |
| 4.3.1 子空间生成 | 第75页 |
| 4.3.2 域层次的子空间校正 | 第75-76页 |
| 4.3.3 实例层次子空间校正 | 第76页 |
| 4.3.4 有区别度的实例层次子空间校正 | 第76-77页 |
| 4.3.5 同时对齐子空间和实例 | 第77页 |
| 4.3.6 匹配过程 | 第77-80页 |
| 4.4 实验 | 第80-83页 |
| 4.4.1 实验数据库 | 第80页 |
| 4.4.2 实验设置 | 第80-81页 |
| 4.4.3 对比实验 | 第81-83页 |
| 4.5 实验结果评估 | 第83-87页 |
| 4.5.1 低级特征的跨模态匹配 | 第83页 |
| 4.5.2 FG-SBIR性能评估 | 第83-84页 |
| 4.5.3 对各种的FG-SBIR方法的进一步评估 | 第84-87页 |
| 4.5.4 标注和计算成本对比 | 第87页 |
| 4.6 本章小结 | 第87-88页 |
| 第五章 基于草图的精细图像检索可泛化的算法 | 第88-104页 |
| 5.1 引言 | 第88-90页 |
| 5.2 相关工作 | 第90-92页 |
| 5.2.1 基于草图的精细图像检索 | 第90-91页 |
| 5.2.2 基于草图的图像检索可泛化的算法 | 第91-92页 |
| 5.2.3 域泛化 | 第92页 |
| 5.2.4 基于草图的精细图像检索数据集 | 第92页 |
| 5.3 基于草图的精细图像检索可泛化的算法 | 第92-97页 |
| 5.3.1 简述 | 第92-93页 |
| 5.3.2 通用视觉特征嵌入 | 第93-96页 |
| 5.3.3 FG-SBIR的动态参数化 | 第96-97页 |
| 5.4 实验 | 第97-102页 |
| 5.4.1 实验设置 | 第97-98页 |
| 5.4.2 对比实验 | 第98-100页 |
| 5.4.3 Sketchy上的结果 | 第100-102页 |
| 5.4.4 QMUL-Shoe-V2上的结果 | 第102页 |
| 5.5 本章小结 | 第102-104页 |
| 第六章 草图感知编组在基于草图的精细图像检索上的应用 | 第104-122页 |
| 6.1 引言 | 第104-106页 |
| 6.2 相关工作 | 第106-108页 |
| 6.2.1 草图感知编组 | 第106页 |
| 6.2.2 草图语义分割 | 第106-107页 |
| 6.2.3 草图笔画分析 | 第107页 |
| 6.2.4 基于草图的精细图像检索 | 第107-108页 |
| 6.3 手绘草图感知编组数据库 | 第108-109页 |
| 6.3.1 类别选择 | 第108页 |
| 6.3.2 草图实例选择 | 第108-109页 |
| 6.3.3 数据标注 | 第109页 |
| 6.4 通用的深度感知编组器 | 第109-114页 |
| 6.4.1 模型概述 | 第109页 |
| 6.4.2 编码器和解码器架构 | 第109-110页 |
| 6.4.3 公式 | 第110-113页 |
| 6.4.4 在草图生成上的应用 | 第113-114页 |
| 6.5 实验 | 第114-121页 |
| 6.5.1 数据集和设置 | 第114-115页 |
| 6.5.2 感知编组上的实验结果 | 第115-119页 |
| 6.5.3 应用在草图生成和FG-SBIR | 第119-121页 |
| 6.6 本章小节 | 第121-122页 |
| 第七章 总结与展望 | 第122-126页 |
| 7.1 工作总结 | 第122-124页 |
| 7.2 研究展望 | 第124-126页 |
| 附录A 精细的子空间校正方法求解过程推导 | 第126-130页 |
| A.1 精细的子空间校正方法1 | 第126页 |
| A.2 精细的子空间校正方法2 | 第126-127页 |
| A.3 精细的子空间校正方法3 | 第127-130页 |
| 附录B 缩略语表 | 第130-132页 |
| 参考文献 | 第132-142页 |
| 致谢 | 第142-144页 |
| 攻读学位期间发表的学术论文目录 | 第144页 |
