| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第17-27页 |
| 1.1 研究背景及研究意义 | 第17-19页 |
| 1.1.1 图像检索技术的研究背景 | 第17-18页 |
| 1.1.2 图像自动标注技术的研究意义 | 第18-19页 |
| 1.2 研究现状及发展趋势 | 第19-22页 |
| 1.2.1 图像自动标注技术的研究现状 | 第19-21页 |
| 1.2.2 图像自动标注技术的发展趋势 | 第21-22页 |
| 1.3 本文研究的关键问题与主要内容 | 第22-25页 |
| 1.3.1 图像语义标注技术所面临的挑战 | 第22-23页 |
| 1.3.2 本文的主要研究内容 | 第23-25页 |
| 1.4 本文的组织结构 | 第25-27页 |
| 2 图像标注与深度学习的相关知识 | 第27-49页 |
| 2.1 浅层学习与深度学习 | 第27-31页 |
| 2.1.1 浅层学习 | 第27-29页 |
| 2.1.2 深度学习 | 第29-30页 |
| 2.1.3 深度学习与卷积神经网络 | 第30-31页 |
| 2.2 人工神经网络 | 第31-36页 |
| 2.2.1 单层神经网络 | 第31-33页 |
| 2.2.2 多层神经网络 | 第33-36页 |
| 2.3 卷积神经网络 | 第36-41页 |
| 2.3.1 卷积神经网络的网络结构 | 第37页 |
| 2.3.2 局部连接与权值共享 | 第37-39页 |
| 2.3.3 多核卷积与子采样 | 第39-41页 |
| 2.3.4 卷积神经网络小结 | 第41页 |
| 2.4 深度卷积神经网络 | 第41-47页 |
| 2.4.1 AlexNet网络结构 | 第41-42页 |
| 2.4.2 ReLU激活函数 | 第42-44页 |
| 2.4.3 局部响应归一化 | 第44-45页 |
| 2.4.4 Dropout正则化 | 第45-46页 |
| 2.4.5 其他相关技术 | 第46-47页 |
| 2.5 本章小结 | 第47-49页 |
| 3 基于两级层次特征学习的图像标注方法 | 第49-70页 |
| 3.1 两次层次特征学习的研究背景 | 第49-50页 |
| 3.2 基于深度卷积神经网络的迁移学习方法 | 第50-58页 |
| 3.2.1 迁移学习的概念 | 第50-52页 |
| 3.2.2 深度卷积神经网络的特征抽取 | 第52页 |
| 3.2.3 用于分类标注的线性分类器 | 第52-56页 |
| 3.2.4 基于深度CNN的迁移学习方法 | 第56-58页 |
| 3.3 两级层次特征学习方法 | 第58-63页 |
| 3.3.1 层次分类 | 第59页 |
| 3.3.2 谱聚类 | 第59-60页 |
| 3.3.3 两级层次特征学习方法 | 第60-63页 |
| 3.4 实验结果与分析 | 第63-69页 |
| 3.4.1 数据集与实验环境 | 第63页 |
| 3.4.2 Caltech-256数据集评估 | 第63-66页 |
| 3.4.3 Oxford Flower-102数据集评估 | 第66-67页 |
| 3.4.4 Tasmania CPC数据集评估 | 第67-69页 |
| 3.5 本章小结 | 第69-70页 |
| 4 基于深度卷积特征的多标签图像排序 | 第70-83页 |
| 4.1 多标签图像标注的研究动机 | 第71-72页 |
| 4.2 基于深度卷积特征的多标签排序 | 第72-77页 |
| 4.2.1 多标签排序 | 第72-73页 |
| 4.2.2 深度卷积神经网络中的损失函数 | 第73-76页 |
| 4.2.3 多标签排序算法 | 第76-77页 |
| 4.2.4 多标签图像深度卷积特征的提取 | 第77页 |
| 4.3 实验结果与分析 | 第77-82页 |
| 4.3.1 实验环境 | 第77页 |
| 4.3.2 对比特征及评价标准 | 第77-78页 |
| 4.3.3 Tasmania CPC数据集评估 | 第78-80页 |
| 4.3.4 ESP Game数据集评估 | 第80-82页 |
| 4.4 本章小结 | 第82-83页 |
| 5 基于多核学习的多特征融合图像标注方法 | 第83-95页 |
| 5.1 多特征融合的研究目的 | 第83-85页 |
| 5.2 基于多核学习的多特征融合方法 | 第85-89页 |
| 5.2.1 核函数的基本概念 | 第85-87页 |
| 5.2.2 多核学习方法 | 第87-88页 |
| 5.2.3 多特征融合的图像标注方法 | 第88-89页 |
| 5.3 实验结果与分析 | 第89-93页 |
| 5.3.1 数据集与实验环境 | 第89-90页 |
| 5.3.2 Tasmania CPC数据集评估 | 第90-91页 |
| 5.3.3 ImageCLEF 2015数据集评估 | 第91-93页 |
| 5.4 本章小结 | 第93-95页 |
| 6 总结与展望 | 第95-97页 |
| 6.1 本文工作的总结 | 第95-96页 |
| 6.2 未来工作的展望 | 第96-97页 |
| 参考文献 | 第97-106页 |
| 攻读博士学位期间主要的研究成果 | 第106页 |