| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 一、绪论 | 第8-14页 |
| 1.1 选题背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 基于图文关系的检索 | 第9页 |
| 1.2.2 基于视觉内容的检索 | 第9-10页 |
| 1.2.3 基于图文关系与视觉内容结合的检索 | 第10页 |
| 1.3 研究方法及创新之处 | 第10-11页 |
| 1.3.1 研究方法 | 第10-11页 |
| 1.3.2 创新之处 | 第11页 |
| 1.4 论文组织结构 | 第11-14页 |
| 二、图像检索中的机器学习原理 | 第14-30页 |
| 2.1 基于深度学习的视觉特征 | 第14-20页 |
| 2.1.1 神经网络简述 | 第15-18页 |
| 2.1.3 生成深度学习视觉特征的网络结构 | 第18-19页 |
| 2.1.4 特征描述 | 第19-20页 |
| 2.2 图像检索的整体架构和流程 | 第20-24页 |
| 2.2.1 图像检索的整体架构简述 | 第20-21页 |
| 2.2.2 图像检索的流程 | 第21-22页 |
| 2.2.3 LTR模型概述 | 第22-24页 |
| 2.3 GBrank排序模型 | 第24-27页 |
| 2.3.1 函数化的梯度下降 | 第24-25页 |
| 2.3.2 利用相对关联判定排序 | 第25-27页 |
| 2.4 本章小结 | 第27-30页 |
| 三、视觉相似度特征的生成与应用 | 第30-42页 |
| 3.1 视觉相似度特征 | 第30-34页 |
| 3.1.1 基于深度学习的视觉特征量化形式 | 第30-31页 |
| 3.1.2 视觉相似度计算 | 第31-32页 |
| 3.1.3 视觉特征的稀疏矩阵优化方案 | 第32-34页 |
| 3.2 视觉相似度特征的架构基础 | 第34-38页 |
| 3.2.1 整体架构 | 第34-35页 |
| 3.2.2 技术点实现原理 | 第35-36页 |
| 3.2.3 策略算法实现 | 第36-38页 |
| 3.3 视觉相似度特征在实际检索中的应用及效果 | 第38-40页 |
| 3.3.1 检索中的实际应用 | 第38-39页 |
| 3.3.2 检索效果的提升 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 四、基于深度学习的视觉特征的在图像检索中的其他应用 | 第42-50页 |
| 4.1 视觉相似反馈Outlier策略 | 第42-45页 |
| 4.1.1 具体算法步骤 | 第42-45页 |
| 4.1.2 效果展示 | 第45页 |
| 4.2 基于CDNN网络的视觉文本特征深度学习 | 第45-48页 |
| 4.2.1 基本思想 | 第45-47页 |
| 4.2.2 效果提升 | 第47-48页 |
| 4.3 本章小结 | 第48-50页 |
| 五、总结与展望 | 第50-52页 |
| 5.1 全文总结 | 第50页 |
| 5.2 研究展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |