| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 图像标注研究概况 | 第10-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 实验工作准备 | 第15-20页 |
| 2.1 数据集 | 第15页 |
| 2.1.1 MattrSet数据集 | 第15页 |
| 2.1.2 Mattr_RA数据集 | 第15页 |
| 2.2 主要模型 | 第15-17页 |
| 2.2.1 分类模型 | 第15-16页 |
| 2.2.2 图像标注模型 | 第16-17页 |
| 2.3 实验环境 | 第17页 |
| 2.4 评估方法 | 第17-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 基于传统特征与分类模型的商品图像材质属性标注 | 第20-30页 |
| 3.1 图像特征学习 | 第20-22页 |
| 3.1.1 LBP特征 | 第20-21页 |
| 3.1.2 Gist特征 | 第21页 |
| 3.1.3 SIFT特征 | 第21页 |
| 3.1.4 基于传统特征与t-SNE的样本可视化 | 第21-22页 |
| 3.2 基于KNN模型的材质属性标注 | 第22-26页 |
| 3.2.1 KNN模型简介 | 第23-24页 |
| 3.2.2 KNN模型的优缺点 | 第24页 |
| 3.2.3 KNN模型的实验结果及分析 | 第24-26页 |
| 3.3 基于Na?veBayes模型的材质属性标注 | 第26-29页 |
| 3.3.1 Na?veBayes模型简介 | 第26-27页 |
| 3.3.2 Na?veBayes模型的优缺点 | 第27-28页 |
| 3.3.3 Na?veBayes模型的实验结果及分析 | 第28-29页 |
| 3.3.4 KNN模型与Na?veBayes模型的实验结果对比 | 第29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于ERGS后融合算法的商品图像材质属性标注 | 第30-53页 |
| 4.1 ERGS算法与多类别分类器 | 第30-32页 |
| 4.1.1 ERGS后融合算法 | 第30-31页 |
| 4.1.2 多类别分类器 | 第31-32页 |
| 4.2 基于传统特征与ERGS算法的材质属性标注模型 | 第32-38页 |
| 4.2.1 标注模型基本原理 | 第32-33页 |
| 4.2.2 实验结果及分析 | 第33-38页 |
| 4.3 基于深度学习特征与ERGS算法的材质属性标注模型 | 第38-46页 |
| 4.3.1 VGGNet模型概述 | 第38-39页 |
| 4.3.2 实验结果及分析 | 第39-46页 |
| 4.4 迁移学习对标注的影响 | 第46-51页 |
| 4.4.1 基于传统特征完成材质属性标注迁移学习 | 第46-48页 |
| 4.4.2 融合各类特征完成材质属性标注迁移学习 | 第48-51页 |
| 4.5 定性实验结果及分析 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 基于RelativeAttribute模型的商品图像实用属性标注 | 第53-63页 |
| 5.1 标注模型基本原理 | 第53-55页 |
| 5.2 面向实用属性的零样本学习 | 第55-56页 |
| 5.2.1 材质属性与实用属性间的映射关系 | 第55页 |
| 5.2.2 零样本学习 | 第55-56页 |
| 5.3 实验结果及分析 | 第56-61页 |
| 5.3.1 相对属性评估体系 | 第56页 |
| 5.3.2 定量实验结果及分析 | 第56-60页 |
| 5.3.3 定性实验结果及分析 | 第60-61页 |
| 5.4 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 主要工作总结 | 第63页 |
| 6.2 未来工作展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 个人简历在读期间发表的学术成果 | 第69-70页 |
| 致谢 | 第70页 |
