| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究目的与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 语义模型的研究 | 第12-13页 |
| 1.2.2 解决语义鸿沟的现有方向 | 第13-14页 |
| 1.2.3 传统的图像特征提取 | 第14页 |
| 1.2.4 图像语义提取方法 | 第14-16页 |
| 1.2.5 深度学习的研究与应用 | 第16-17页 |
| 1.3 主要研究内容和创新点 | 第17-18页 |
| 1.4 论文的章节安排 | 第18-20页 |
| 第二章 基于语义的图像检索系统与深度学习理论研究 | 第20-33页 |
| 2.1 引言 | 第20页 |
| 2.2 基于语义的图像检索系统 | 第20-21页 |
| 2.3 图像语义层次模型和深度模型的类比 | 第21-23页 |
| 2.4 相似性度量 | 第23-25页 |
| 2.5 检索系统性能评价标准 | 第25页 |
| 2.6 深度学习原理 | 第25-31页 |
| 2.6.1 栈式自动编码算法 | 第26-29页 |
| 2.6.2 卷积神经网络 | 第29-30页 |
| 2.6.3 Softmax回归模型 | 第30-31页 |
| 2.7 深度网络的训练 | 第31-32页 |
| 2.7.1 深度网络训练的难点 | 第31页 |
| 2.7.2 逐层贪婪训练方法 | 第31-32页 |
| 2.8 小结 | 第32-33页 |
| 第三章 多级级联深度前馈卷积稀疏降噪自动编码算法 | 第33-48页 |
| 3.1 引言 | 第33-34页 |
| 3.2 深度学习网络架构 | 第34-35页 |
| 3.3 深度学习网络中的算法 | 第35-38页 |
| 3.3.1 稀疏降噪自动编码器自我学习特征 | 第35-37页 |
| 3.3.2 卷积 | 第37页 |
| 3.3.3 池化 | 第37页 |
| 3.3.4 多级级联分类器 | 第37-38页 |
| 3.4 多级级联深度前馈卷积稀疏降噪自动编码算法在图像分类上应用 | 第38-47页 |
| 3.4.1 STL-10图像数据集 | 第38-39页 |
| 3.4.2 单层网络下无监督特征学习的性能分析 | 第39-45页 |
| 3.4.3 在STL-10数据集上的实验结果 | 第45-47页 |
| 3.5 小结 | 第47-48页 |
| 第四章 基于深度学习的图像检索系统设计及测试结果与分析 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 运行环境 | 第48-49页 |
| 4.2.1 硬件环境 | 第48-49页 |
| 4.2.2 软件环境 | 第49页 |
| 4.3 基于深度学习的图像检索系统设计 | 第49-51页 |
| 4.3.1 软件框架图结构 | 第49-50页 |
| 4.3.2 软件界面 | 第50-51页 |
| 4.4 基于深度学习的图像检索系统测试 | 第51-57页 |
| 4.4.1 基于深度学习的图像分类模块测试 | 第51-54页 |
| 4.4.2 基于深度学习的图像检索模块测试 | 第54-57页 |
| 4.5 小结 | 第57-58页 |
| 第五章 基于深度学习和搜索的图像标注算法 | 第58-68页 |
| 5.1 引言 | 第58-59页 |
| 5.2 图像数据集构建 | 第59页 |
| 5.3 深度卷积神经网络构建和训练 | 第59-62页 |
| 5.3.1 构建训练集 | 第59-60页 |
| 5.3.2 朴素深度卷积神经网络并训练 | 第60-61页 |
| 5.3.3 特征级联深度卷积神经网络并训练 | 第61-62页 |
| 5.4 图像数据集语义特征提取 | 第62页 |
| 5.5 利用语义特征进行相似图像检索 | 第62-63页 |
| 5.6 候选图像语义标注的合并 | 第63页 |
| 5.6.1 K-NN思想 | 第63页 |
| 5.6.2 相似度因子 | 第63页 |
| 5.7 图像标注实验结果与分析 | 第63-67页 |
| 5.7.1 评价方法 | 第64页 |
| 5.7.2 在Corel5K数据集上的结果 | 第64-67页 |
| 5.8 小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 附录：攻读硕士期间参加的项目及成果 | 第78页 |