面向视觉感知的图像情感分类研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 研究内容及研究方法 | 第11-13页 |
| 1.3.1 研究内容与组织结构 | 第11-13页 |
| 1.3.2 研究方法 | 第13页 |
| 1.4 论文的难点及创新点 | 第13-15页 |
| 2 相关研究综述 | 第15-29页 |
| 2.1 图像情感分析研究现状 | 第15-18页 |
| 2.1.1 基于视觉认知的图像情感分类 | 第16-17页 |
| 2.1.2 基于机器学习的图像情感分类 | 第17-18页 |
| 2.1.3 存在的问题 | 第18页 |
| 2.2 图像情感语义相关研究 | 第18-22页 |
| 2.2.1 图像的语义层次 | 第19-20页 |
| 2.2.2 情感语义描述方法 | 第20-22页 |
| 2.3 图像特征与情感的关系分析 | 第22-26页 |
| 2.3.1 颜色与情感的关系 | 第23-24页 |
| 2.3.2 纹理与情感的关系 | 第24-25页 |
| 2.3.3 形状与情感的关系 | 第25-26页 |
| 2.4 图像情感特征提取关键技术 | 第26-27页 |
| 2.4.1 颜色特征 | 第26页 |
| 2.4.2 纹理特征 | 第26-27页 |
| 2.4.3 形状特征 | 第27页 |
| 2.5 视觉注意模型 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 3 面向视觉感知的图像情感分类算法 | 第29-46页 |
| 3.1 颜色特征提取 | 第30-35页 |
| 3.1.1 颜色矩 | 第31页 |
| 3.1.2 颜色直方图 | 第31-32页 |
| 3.1.3 改进的分块自适应加权颜色直方图 | 第32-35页 |
| 3.2 纹理特征提取 | 第35-36页 |
| 3.3 形状特征提取 | 第36-39页 |
| 3.3.1 颜色不变模型 | 第37页 |
| 3.3.2 视觉单词向量生成 | 第37-39页 |
| 3.4 基于视觉认知的特征提取 | 第39-41页 |
| 3.5 人脸表情特征提取 | 第41-43页 |
| 3.6 特征融合与支持向量机 | 第43-45页 |
| 3.6.1 特征融合 | 第43页 |
| 3.6.2 支持向量机分类器 | 第43-45页 |
| 3.7 本章小结 | 第45-46页 |
| 4 实验与评价 | 第46-55页 |
| 4.1 实验环境与数据集 | 第46-48页 |
| 4.1.1 实验环境 | 第46页 |
| 4.1.2 实验数据集 | 第46-48页 |
| 4.2 实验过程 | 第48-49页 |
| 4.3 实验结果分析 | 第49-54页 |
| 4.3.1 算法性能评价 | 第49-51页 |
| 4.3.2 参数设置对实验结果的影响 | 第51-52页 |
| 4.3.3 对比实验评价 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 图像情感分类在电影推荐中的应用 | 第55-62页 |
| 5.1 背景描述 | 第55-56页 |
| 5.2 基于图文结合情感分类的电影推荐算法 | 第56-61页 |
| 5.2.1 数据收集及预处理 | 第56页 |
| 5.2.2 算法流程 | 第56-59页 |
| 5.2.3 实验结果 | 第59-61页 |
| 5.3 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 论文工作总结 | 第62-63页 |
| 6.2 未来工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-72页 |
| 附录 | 第72页 |
