基于多标签学习的图像语义自动标注研究
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第9-15页 |
| ·引言 | 第9-10页 |
| ·存在的问题及研究方向 | 第10-12页 |
| ·本文工作 | 第12-14页 |
| ·本文组织结构 | 第14-15页 |
| 第二章 相关工作及研究背景 | 第15-25页 |
| ·图像语义标注的基本框架 | 第15-16页 |
| ·图像内容表示及特征提取 | 第16-17页 |
| ·标注模型 | 第17-20页 |
| ·基于生成模型的图像标注方法 | 第17-18页 |
| ·基于判别分类模型的图像标注方法 | 第18-19页 |
| ·多标签学习 | 第19-20页 |
| ·隐含语义分析 | 第20-21页 |
| ·基本的统计平滑技术 | 第21-23页 |
| ·Web图像标注 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第三章 基于扩展生成语言模型的图像标注方法 | 第25-46页 |
| ·基本思想 | 第25-26页 |
| ·基于扩展生成模型标注方法的基本框架 | 第26-28页 |
| ·词的相关性度量 | 第28-29页 |
| ·TIRM特征生成概率估计 | 第29-36页 |
| ·连续特征生成概率估计 | 第29-30页 |
| ·TIRM概述 | 第30-32页 |
| ·基于主题的生成概率估计 | 第32-34页 |
| ·基于区域最大权匹配的生成概率估计 | 第34-35页 |
| ·TIRM特征生成概率计算 | 第35-36页 |
| ·算法总结 | 第36-37页 |
| ·实验 | 第37-44页 |
| ·实验建立 | 第37-38页 |
| ·算法整体性能度量 | 第38-40页 |
| ·词的相关性有效性度量 | 第40-41页 |
| ·TIRM特征生成概率有效性度量 | 第41-43页 |
| ·与其它相关方法的比较 | 第43-44页 |
| ·小结与进一步工作 | 第44-46页 |
| 第四章 基于可判别超平面树的图像标注方法 | 第46-62页 |
| ·基本思想 | 第46-48页 |
| ·基于可判别超平面树标注方法的基本框架 | 第48-51页 |
| ·可判别超平面树构造 | 第51-54页 |
| ·类层次结构生成 | 第51-52页 |
| ·可判别超平面树生成 | 第52-54页 |
| ·基于可判别超平面树的分类 | 第54页 |
| ·基于局部相关类的标注 | 第54-56页 |
| ·算法总结 | 第56页 |
| ·实验 | 第56-60页 |
| ·实验建立 | 第57页 |
| ·参数调整 | 第57-58页 |
| ·和基于生成模型的标注方法比较 | 第58页 |
| ·和基于分类的标注方法比较 | 第58-60页 |
| ·小结与进一步工作 | 第60-62页 |
| 第五章 基于局部多标签分类的图像标注方法 | 第62-72页 |
| ·基本思想 | 第62-63页 |
| ·基于局部多标签分类标注方法的基本框架 | 第63-68页 |
| ·语义空间最大边界 | 第64-65页 |
| ·特征空间最大边界 | 第65-66页 |
| ·最优边界 | 第66-68页 |
| ·算法总结 | 第68页 |
| ·实验 | 第68-71页 |
| ·实验建立 | 第69页 |
| ·和基于生成模型的标注方法比较 | 第69-70页 |
| ·和基于分类的标注方法比较 | 第70-71页 |
| ·小结与进一步工作 | 第71-72页 |
| 第六章 基于噪声训练集的Web图像标注 | 第72-82页 |
| ·基本思想 | 第72-73页 |
| ·基于噪声训练集的Web图像标注 | 第73-78页 |
| ·Web数据处理 | 第74-76页 |
| ·基于MLFDA的Web图像标注 | 第76-78页 |
| ·算法总结 | 第78页 |
| ·实验 | 第78-80页 |
| ·Web数据处理有效性验证 | 第79页 |
| ·Web图像标注有效性验证 | 第79-80页 |
| ·小结与进一步工作 | 第80-82页 |
| 第七章 结束语 | 第82-84页 |
| 参考文献 | 第84-92页 |
| 攻读学位期间作者的研究成果 | 第92-94页 |
| 致谢 | 第94-95页 |
