| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 跨媒体数据语义学习研究的国内外现状 | 第12-14页 |
| 1.2.2 跨媒体数据场景内容识别的国内外研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.3.1 跨媒体旅游大数据的语义分析和建模 | 第15页 |
| 1.3.2 跨媒体旅游大数据的语义学习 | 第15-16页 |
| 1.3.3 跨媒体旅游大数据的内容识别 | 第16页 |
| 1.3.4 跨媒体旅游大数据语义学习和内容识别系统的实现 | 第16页 |
| 1.4 论文组织结构 | 第16-19页 |
| 第二章 相关技术 | 第19-31页 |
| 2.1 图像的表示 | 第19-20页 |
| 2.2 概率潜在语义分析模型 | 第20-22页 |
| 2.2.1 PLSA原理 | 第20-21页 |
| 2.2.2 参数估计 | 第21-22页 |
| 2.3 支持向量机 | 第22-25页 |
| 2.3.1 SVM基本原理 | 第22-23页 |
| 2.3.2 线性SVM | 第23-24页 |
| 2.3.3 多类SVM | 第24-25页 |
| 2.4 光流算法 | 第25-27页 |
| 2.4.1 Lucas-Kanade算法 | 第25-26页 |
| 2.4.2 Horn-Schunck算法 | 第26-27页 |
| 2.5 Hadoop技术 | 第27-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 跨媒体旅游大数据的语义分析和建模 | 第31-37页 |
| 3.1 跨媒体旅游大数据语义分析和建模方法的研究 | 第31-35页 |
| 3.1.1 非对称语义分析和建模 | 第31-33页 |
| 3.1.2 融合PLSA主题模型的对称语义分析和建模方法的提出 | 第33-35页 |
| 3.2 实验结果及分析 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于旅游领域本体知识库推理的图像语义内容自动标注 | 第37-47页 |
| 4.1 基于旅游领域本体知识库推理的图像标注算法的提出 | 第37-42页 |
| 4.1.1 基于旅游领域本体知识库推理的图像标注算法框架 | 第37-38页 |
| 4.1.2 基于SVM的图像分类 | 第38页 |
| 4.1.3 融合语义主题的图像自动标注算法(ANNO-TF) | 第38-39页 |
| 4.1.4 旅游领域本体知识库的构建与推理 | 第39-42页 |
| 4.2 实验结果及分析 | 第42-44页 |
| 4.2.1 实验设置 | 第42-43页 |
| 4.2.2 实验结果分析 | 第43-44页 |
| 4.3 本章小结 | 第44-47页 |
| 第五章 融合GIST特征和微观行为特征的拥挤旅游场景识别 | 第47-59页 |
| 5.1 融合GIST特征和微观行为特征的拥挤旅游场景识别算法的提出 | 第47-53页 |
| 5.1.1 融合GIST特征和微观行为特征的拥挤场景识别算法流程 | 第47-48页 |
| 5.1.2 基于Gist特征的拥挤场景识别算法(GIST-BGSR) | 第48-50页 |
| 5.1.3 融合微观行为特征的拥挤场景识别算法(GIST-MBSR) | 第50-53页 |
| 5.2 实验结果及分析 | 第53-56页 |
| 5.2.1 实验设置 | 第53-54页 |
| 5.2.2 实验结果分析 | 第54-56页 |
| 5.3 本章小结 | 第56-59页 |
| 第六章 跨媒体旅游大数据语义学习和内容识别系统的实现 | 第59-71页 |
| 6.1 系统的总体设计 | 第59-60页 |
| 6.2 系统设计过程与结果 | 第60-67页 |
| 6.2.1 系统设计过程 | 第60-61页 |
| 6.2.2 系统实现结果 | 第61-67页 |
| 6.3 系统测试 | 第67-69页 |
| 6.3.1 测试环境 | 第67页 |
| 6.3.2 测试方法 | 第67-69页 |
| 6.4 本章小结 | 第69-71页 |
| 第七章 总结与展望 | 第71-73页 |
| 7.1 总结 | 第71-72页 |
| 7.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 攻读学位期间研究成果 | 第79页 |
