| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| 第一章 引言 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 主要工作 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第二章 图像描述 | 第14-26页 |
| 2.1 全局特征 | 第14-16页 |
| 2.1.1 颜色特征 | 第14-15页 |
| 2.1.2 纹理特征 | 第15页 |
| 2.1.3 形状特征 | 第15-16页 |
| 2.2 局部特征概述 | 第16-25页 |
| 2.2.1 特征点检测 | 第16-17页 |
| 2.2.2 SIFT 特征 | 第17-20页 |
| 2.2.2.1 特征点检测 | 第17-19页 |
| 2.2.2.2 旋转不变性 | 第19页 |
| 2.2.2.3 描述子计算 | 第19-20页 |
| 2.2.3 Speed Up Robust Feature(SURF) | 第20-25页 |
| 2.2.3.1 图像积分 | 第20-21页 |
| 2.2.3.2 特征点检测 | 第21-23页 |
| 2.2.3.3 SURF 描述子 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 检索算法 | 第26-42页 |
| 3.1 多示例学习(MIL) | 第26-31页 |
| 3.1.1 轴平行‐矩形算法 | 第27-28页 |
| 3.1.2 多样性密度方法(DD) | 第28-30页 |
| 3.1.3 Citation KNN | 第30页 |
| 3.1.4 基于支持向量机的多示例学习 | 第30-31页 |
| 3.2 Local Sensitive Hashing (LSH) | 第31-35页 |
| 3.2.1 LSH 与相关定义 | 第31-32页 |
| 3.2.2 LSH 函数组的构建 | 第32-35页 |
| 3.2.2.1 基于 Hamming 空间 | 第33-34页 |
| 3.2.2.2 p‐stable 分布 LSH | 第34-35页 |
| 3.3 Vocabulary Tree | 第35-40页 |
| 3.3.1 k‐means | 第35-37页 |
| 3.3.2 Vocabulary tree 训练及检索 | 第37-38页 |
| 3.3.3 动态 Vocabulary tree | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 Feature Forest | 第42-52页 |
| 4.1 vocabulary tree 结构改进 | 第42-46页 |
| 4.1.1 k‐means 改进算法 | 第42-44页 |
| 4.1.2 自适应 vocabulary tree 结构 | 第44-46页 |
| 4.1.3 评分标准 | 第46页 |
| 4.2 Feature forest | 第46-51页 |
| 4.2.1 多特征融合的必要性 | 第46-47页 |
| 4.2.2 特征选取及 feature forest 构建 | 第47-49页 |
| 4.2.3 Vocabulary tree 融合 | 第49-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 实验结果及分析 | 第52-60页 |
| 5.1 动态 vocabulary tree 实验结果 | 第52-53页 |
| 5.2 feature forest 与动态 vocabulary tree | 第53-58页 |
| 5.3 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 下一步工作 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间已发表或录用的论文 | 第66-68页 |
