| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 论文主要内容与结构 | 第16-18页 |
| 第2章 基础算法及理论 | 第18-26页 |
| 2.1 BOW | 第18-19页 |
| 2.2 VLAD | 第19-21页 |
| 2.3 熵 | 第21-22页 |
| 2.4 相关方法 | 第22-25页 |
| 2.4.1 Adaption方法 | 第22页 |
| 2.4.2 RN方法 | 第22-23页 |
| 2.4.3 VLAD+BOW方法 | 第23页 |
| 2.4.4 LCS方法 | 第23页 |
| 2.4.5 PCA方法 | 第23-24页 |
| 2.4.6 归一化方法 | 第24页 |
| 2.4.7 RootSIFT方法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于空间分布熵改进VLAD的算法 | 第26-37页 |
| 3.1 提出空间分布熵的背景 | 第26-28页 |
| 3.2 基于空间分布熵改进VLAD算法的总体步骤 | 第28-33页 |
| 3.2.1 确定计算熵的平面 | 第30-31页 |
| 3.2.2 划分矩形平面及子块熵值的计算 | 第31-33页 |
| 3.2.3 求得空间分布熵 | 第33页 |
| 3.3 基于空间分布熵改进VLAD算法的详细步骤 | 第33-35页 |
| 3.4 基于空间分布熵改进VLAD算法的创新点 | 第35-36页 |
| 3.4.1 空间信息的利用 | 第35页 |
| 3.4.2 较低的代价 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 算法实验结果与分析 | 第37-53页 |
| 4.1 实验数据集介绍 | 第37-39页 |
| 4.1.1 INRIAHolidays数据集 | 第37-38页 |
| 4.1.2 Oxford5k数据库 | 第38-39页 |
| 4.2 实验结果检测标准 | 第39页 |
| 4.3 归一化方法及参数设定 | 第39-41页 |
| 4.4 计算空间分布熵的平面讨论 | 第41-43页 |
| 4.5 VLAD归一化方法讨论 | 第43-47页 |
| 4.5.1 在Holidays数据集上的实验结果 | 第44-46页 |
| 4.5.2 在Oxford5k数据集上的实验结果 | 第46-47页 |
| 4.6 基于空间分布熵的VLAD的实验结果 | 第47-52页 |
| 4.6.1 结合其他改进方法在VLAD上的实验结果 | 第47-50页 |
| 4.6.2 使用128维SEVLAD的实验结果 | 第50-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 作者简介及在学期间所取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |