基于深度学习与特征融合的图像检索方法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文研究内容与创新点 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第2章 图像检索与深度学习基础 | 第14-29页 |
| 2.1 基于内容的图像检索技术 | 第14-16页 |
| 2.2 图像特征的提取与表达 | 第16-18页 |
| 2.2.1 图像全局特征 | 第16-17页 |
| 2.2.2 局部描述子特征 | 第17-18页 |
| 2.3 图像感知哈希技术 | 第18-23页 |
| 2.3.1 局部敏感哈希(LSH) | 第19-20页 |
| 2.3.2 谱哈希(SH) | 第20-21页 |
| 2.3.3 迭代量化哈希(ITQ) | 第21-23页 |
| 2.4 相似性度量及评估指标 | 第23-25页 |
| 2.4.1 相似性度量方法 | 第23-24页 |
| 2.4.2 检索评估指标 | 第24-25页 |
| 2.5 深度学习相关概念 | 第25-28页 |
| 2.5.1 深度学习基础 | 第25-26页 |
| 2.5.2 卷积神经网络 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于多层特征图融合的哈希图像检索方法 | 第29-42页 |
| 3.1 背景和问题 | 第29-30页 |
| 3.2 算法框架结构 | 第30-36页 |
| 3.2.1 网络模型的构成 | 第30-31页 |
| 3.2.2 多层特征图融合 | 第31-33页 |
| 3.2.3 哈希层与损失函数层 | 第33-34页 |
| 3.2.4 近似最近邻策略 | 第34-36页 |
| 3.3 实验设置及结果分析 | 第36-41页 |
| 3.3.1 实验设置 | 第36页 |
| 3.3.2 数据集 | 第36-37页 |
| 3.3.3 实验结果及分析 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于特征融合与显著性检测的图像检索方法 | 第42-50页 |
| 4.1 背景和问题 | 第42页 |
| 4.2 算法框架结构 | 第42-46页 |
| 4.2.1 网络模型的构成 | 第42-43页 |
| 4.2.2 特征融合与显著性检测 | 第43-45页 |
| 4.2.3 细粒度图像检索 | 第45-46页 |
| 4.2.4 拓展查询 | 第46页 |
| 4.3 实验设置及结果分析 | 第46-49页 |
| 4.3.1 实验设置 | 第46-47页 |
| 4.3.2 数据集 | 第47页 |
| 4.3.3 实验结果及分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 本文总结 | 第50-51页 |
| 5.2 工作展望 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-59页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第59页 |
