| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·课题研究背景 | 第8-9页 |
| ·本文研究的意义 | 第9页 |
| ·本文主要工作 | 第9-10页 |
| ·本文的组织结构 | 第10-12页 |
| 第二章 视觉特征描述 | 第12-26页 |
| ·视觉特征的描述 | 第12-16页 |
| ·局部视觉特征 | 第12-13页 |
| ·尺度空间原理 | 第13-14页 |
| ·SIFT 图像描述方法 | 第14-15页 |
| ·SIFT 描述子生成方法 | 第15-16页 |
| ·局部视觉特征优缺点 | 第16-17页 |
| ·图像特征表达 | 第17-18页 |
| ·聚类算法 | 第18页 |
| ·EM 算法 | 第18-19页 |
| ·K-Means 聚类算法 | 第19-21页 |
| ·BOF 向量原理 | 第20-21页 |
| ·K-Means 算法生成 BOF 向量 | 第21页 |
| ·GMM 聚类算法 | 第21-26页 |
| ·Fisher 向量原理 | 第24页 |
| ·GMM 算法生成 Fisher 向量 | 第24-26页 |
| 第三章 Hadoop 框架下 MapReduce 原理 | 第26-40页 |
| ·并行计算概述 | 第26-27页 |
| ·Hadoop 分布式架构分析 | 第27-32页 |
| ·Hadoop 核心组件 | 第27-28页 |
| ·Hadoop 分布式文件系统 | 第28-31页 |
| ·Hadoop MapReduce 计算框架 | 第31-32页 |
| ·MapReduce 执行流程 | 第32-34页 |
| ·Hadoop 其它相关组件 | 第34-38页 |
| ·MapReduce 的格式与类型 | 第34-36页 |
| ·MapReduce 的高级特性 | 第36-37页 |
| ·Hadoop 集群数据健壮性 | 第37-38页 |
| ·MapReduce 局限性 | 第38-40页 |
| 第四章 基于 Hadoop 框架的聚类算法设计 | 第40-52页 |
| ·K-Means 算法思想 | 第40页 |
| ·K-Means 算法流程与实现 | 第40-42页 |
| ·K-Means 算法框架 | 第40-41页 |
| ·K-Means 算法的设计 | 第41-42页 |
| ·GMM 算法思想 | 第42-43页 |
| ·GMM 算法流程与实现 | 第43-52页 |
| ·GMM 聚类算法框架 | 第43-45页 |
| ·GMM 聚类算法的设计 | 第45-49页 |
| ·GMM 聚类算法的详细设计 | 第49-52页 |
| 第五章 实验分析 | 第52-60页 |
| ·实验环境 | 第52-54页 |
| ·Hadoop 分布式环境规划 | 第52-53页 |
| ·分布式编程环境搭建 | 第53-54页 |
| ·实验设置与结果分析 | 第54-58页 |
| ·单机、集群效率对比实验 | 第54-55页 |
| ·聚类质量检测实验 | 第55-56页 |
| ·加速比实验分析 | 第56-57页 |
| ·可扩展性分析 | 第57-58页 |
| ·本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 硕士在读期间的研究成果 | 第68-69页 |