面向大规模多媒体检索的深度哈希学习方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 引言 | 第9-16页 |
| 1.1 研究背景 | 第9-13页 |
| 1.1.1 多媒体检索 | 第9-10页 |
| 1.1.2 哈希方法在检索中的应用 | 第10-12页 |
| 1.1.3 深度学习技术的发展 | 第12-13页 |
| 1.2 本文主要研究内容 | 第13-15页 |
| 1.2.1 基于深度学习的相似性哈希框架 | 第13-14页 |
| 1.2.2 深度网络哈希方法 | 第14页 |
| 1.2.3 实现及实验验证 | 第14-15页 |
| 1.3 本文组织结构 | 第15-16页 |
| 第2章 哈希学习方法综述 | 第16-32页 |
| 2.1 哈希学习方法概述 | 第16-18页 |
| 2.1.1 近邻查询问题 | 第16-17页 |
| 2.1.2 哈希方法的定义 | 第17-18页 |
| 2.2 无监督哈希学习方法 | 第18-21页 |
| 2.2.1 局部敏感哈希 | 第18-19页 |
| 2.2.2 迭代量化 | 第19-20页 |
| 2.2.3 谱哈希 | 第20-21页 |
| 2.3 有监督哈希学习方法 | 第21-25页 |
| 2.3.1 二值化重构嵌入 | 第22-23页 |
| 2.3.2 最小化损失哈希 | 第23-24页 |
| 2.3.3 有监督核哈希 | 第24-25页 |
| 2.4 深度哈希学习方法 | 第25-29页 |
| 2.4.1 深度卷积网络哈希 | 第25-26页 |
| 2.4.2 深度分治网络 | 第26-28页 |
| 2.4.3 深度排序哈希 | 第28-29页 |
| 2.5 量化方法 | 第29-31页 |
| 2.5.1 乘积量化 | 第30页 |
| 2.5.2 笛卡尔K均值 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 深度哈希框架及方法 | 第32-52页 |
| 3.1 深度哈希方法需要解决的问题 | 第32-35页 |
| 3.1.1 最小化相似性损失 | 第32-33页 |
| 3.1.2 最小化量化误差 | 第33-35页 |
| 3.2 深度哈希框架 | 第35-39页 |
| 3.2.1 学习框架 | 第35页 |
| 3.2.2 深度网络的选择 | 第35-36页 |
| 3.2.3 损失函数的选择与设计原则 | 第36-39页 |
| 3.3 基于贝叶斯估计的深度哈希学习方法 | 第39-50页 |
| 3.3.1 深度哈希网络的形式化 | 第39-41页 |
| 3.3.2 网络输入及输出 | 第41页 |
| 3.3.3 基于贝叶斯估计的哈希问题建模 | 第41-45页 |
| 3.3.4 相似性损失函数表达形式 | 第45-47页 |
| 3.3.5 量化误差的界 | 第47-48页 |
| 3.3.6 损失函数在神经网络中的优化方法 | 第48-50页 |
| 3.3.7 算法复杂度分析 | 第50页 |
| 3.4 其它损失函数形式 | 第50-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 框架实现及实验验证 | 第52-65页 |
| 4.1 深度哈希框架的实现 | 第52-56页 |
| 4.1.1 Caffe实现方案 | 第52-54页 |
| 4.1.2 TensorFlow实现方案 | 第54-56页 |
| 4.2 实验验证 | 第56-64页 |
| 4.2.1 数据集及特征 | 第56-57页 |
| 4.2.2 度量指标及训练方法 | 第57-58页 |
| 4.2.3 实验结果及分析 | 第58-64页 |
| 4.3 本章小结 | 第64-65页 |
| 第5章 总结 | 第65-67页 |
| 5.1 论文总结 | 第65-66页 |
| 5.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-72页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第72页 |
