| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.2 研究现状及问题 | 第11-13页 |
| 1.3 本文主要创新点 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第二章 相关技术 | 第16-27页 |
| 2.1 图像视觉特征 | 第16-18页 |
| 2.1.1 颜色特征 | 第16页 |
| 2.1.2 Sift特征 | 第16-18页 |
| 2.1.3 Gist特征 | 第18页 |
| 2.2 相似度度量 | 第18-20页 |
| 2.3 深度学习 | 第20-25页 |
| 2.3.1 RBM | 第20-21页 |
| 2.3.2 SAE | 第21-22页 |
| 2.3.3 CNN特征 | 第22-23页 |
| 2.3.4 深度学习分析 | 第23-25页 |
| 2.4 图像标注评价指标 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于NL-SAE的增进式深度自动图像标注 | 第27-45页 |
| 3.1 问题定义 | 第27页 |
| 3.2 NL-BSAE模型构建 | 第27-29页 |
| 3.2.1 NL-SAE原理 | 第27-28页 |
| 3.2.2 NL-BSAE原理 | 第28-29页 |
| 3.3 NL-RBSAE算法实现 | 第29-31页 |
| 3.4 融合NL-RBSAE的属性判别标注方法 | 第31-36页 |
| 3.4.1 局部数据均衡与语义传播 | 第31-33页 |
| 3.4.2 融合NL-RBSAE的属性判别标注策略 | 第33-36页 |
| 3.5 实验与分析 | 第36-43页 |
| 3.5.1 实验设置 | 第36-37页 |
| 3.5.2 实验结果 | 第37-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 基于L-SAE的增进式深度自动图像标注 | 第45-59页 |
| 4.1 L-BSAE模型构建 | 第45-47页 |
| 4.1.1 L-SAE原理 | 第45-46页 |
| 4.1.2 L-BSAE原理 | 第46-47页 |
| 4.2 L-RBSAE算法实现 | 第47-48页 |
| 4.3 融合L-RBSAE的属性判别标注方法 | 第48-49页 |
| 4.4 实验与分析 | 第49-57页 |
| 4.4.1 实验设置 | 第49-50页 |
| 4.4.2 实验结果 | 第50-56页 |
| 4.4.3 各SAE模型的时间代价比较 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 基于深度特征和语义邻域的自动图像标注 | 第59-75页 |
| 5.1 深度特征提取 | 第59-60页 |
| 5.2 局部邻域标签传播 | 第60-62页 |
| 5.3 融合深度特征和标签传播的标注方法 | 第62-64页 |
| 5.4 SNDF时间复杂度分析 | 第64页 |
| 5.5 实验与分析 | 第64-74页 |
| 5.5.1 实验设置 | 第64-66页 |
| 5.5.2 实验结果 | 第66-74页 |
| 5.6 本章小结 | 第74-75页 |
| 总结与展望 | 第75-77页 |
| 总结 | 第75-76页 |
| 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第82页 |