| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 引言 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 优缺点分析 | 第12-13页 |
| 1.4 相关工作 | 第13-14页 |
| 1.5 研究内容 | 第14-15页 |
| 1.6 论文组织 | 第15-18页 |
| 第2章 深度学习方法 | 第18-24页 |
| 2.1 卷积神经网络 | 第19-21页 |
| 2.1.1 卷积层 | 第19-20页 |
| 2.1.2 全连接层 | 第20页 |
| 2.1.3 池化层 | 第20页 |
| 2.1.4 激活函数 | 第20-21页 |
| 2.2 循环神经网络 | 第21-23页 |
| 2.3 常见神经网络 | 第23-24页 |
| 第3章 图文互搜技术介绍 | 第24-36页 |
| 3.1 图文互搜介绍 | 第24页 |
| 3.2 特征融合 | 第24-30页 |
| 3.2.1 特征表示 | 第24-26页 |
| 3.2.2 特征映射 | 第26-27页 |
| 3.2.3 特征对齐 | 第27-28页 |
| 3.2.4 特征融合 | 第28-30页 |
| 3.3 大规模向量检索 | 第30-36页 |
| 3.3.1 最近邻搜索 | 第30-31页 |
| 3.3.2 哈希检索 | 第31-32页 |
| 3.3.3 向量量化 | 第32-33页 |
| 3.3.4 相似性度量 | 第33-34页 |
| 3.3.5 最近邻搜索工具 | 第34-36页 |
| 第4章 跨模态注意力机制的图文哈希 | 第36-52页 |
| 4.1 方法 | 第37-41页 |
| 4.1.1 基础网络和符号表示 | 第37-38页 |
| 4.1.2 跨模态注意力网络 | 第38-41页 |
| 4.2 损失函数 | 第41-42页 |
| 4.3 优化 | 第42-43页 |
| 4.4 数据集 | 第43-44页 |
| 4.5 实现细节 | 第44-45页 |
| 4.6 实验结果 | 第45-49页 |
| 4.7 实验总结 | 第49-52页 |
| 第5章 网络加速 | 第52-60页 |
| 5.1 方法介绍 | 第52-53页 |
| 5.2 Hessian 矩阵近似 | 第53-54页 |
| 5.2.1 交叉熵函数下的 Hessian 矩阵近似 | 第54页 |
| 5.3 二次0-1规划问题 | 第54-55页 |
| 5.4 ImageNet 实验 | 第55-57页 |
| 5.5 AlexNet 剪枝 | 第57页 |
| 5.6 实验总结 | 第57-60页 |
| 第6章 总结和展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 附录A 中国科学院大学学位论文撰写要求 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第70-72页 |
| 致谢 | 第72页 |