摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第10-17页 |
1.1 研究背景及意义 | 第10页 |
1.2 图像自动标注算法的研究现状 | 第10-13页 |
1.2.1 模型驱动的图像自动标注算法 | 第10-12页 |
1.2.2 数据驱动的图像自动标注算法 | 第12-13页 |
1.3 非负矩阵分解和分布式词向量 | 第13-15页 |
1.4 本文工作 | 第15-17页 |
第二章 基于视觉-语义分布式词向量的最近邻图像标注算法 | 第17-38页 |
2.1 基于神经概率语言模型的词向量训练方法 | 第17-24页 |
2.1.1 CBOW模型 | 第18-20页 |
2.1.2 Skip-Gram模型 | 第20-22页 |
2.1.3 word2vec模型应用于图像标注词的局限性 | 第22-24页 |
2.2 基于反向传播网络的视觉-语义词向量生成方法 | 第24-28页 |
2.2.1 视觉-语义词向量的生成网络 | 第24-25页 |
2.2.2 视觉-语义词向量生成网络的模型参数求解 | 第25-28页 |
2.3 基于视觉-语义词向量的标签传播方法 | 第28-29页 |
2.4 联合语义和视觉信息的最近邻图像选择方法 | 第29-30页 |
2.5 实验结果及分析 | 第30-36页 |
2.5.1 实验所用数据特征及标注效果评判标准 | 第31-32页 |
2.5.2 视觉-语义分布式词向量生成方法中参数对标注结果的影响实验 | 第32-35页 |
2.5.3 本章方法与其他最近邻标注算法的对比实验 | 第35-36页 |
2.6 本章小结 | 第36-38页 |
第三章 基于多视角非负矩阵分解的最近邻图像标注算法 | 第38-55页 |
3.1 图像的非负矩阵分解 | 第38-39页 |
3.2 图像非负矩阵分解的多视角一致性处理 | 第39-42页 |
3.2.1 非负矩阵分解与概率潜在语义分析的一致性 | 第39-41页 |
3.2.2 图像非负矩阵分解的多视角一致性处理 | 第41-42页 |
3.3 基于非负矩阵分解多视角一致性系数矩阵的标签传播方法 | 第42-44页 |
3.4 基于测度学习的最近邻图像选择方法 | 第44-46页 |
3.5 基于标签上下文相关性的图像标签自扩展方法 | 第46-48页 |
3.6 实验结果及分析 | 第48-54页 |
3.6.1 多视角非负矩阵分解中的参数对图像标注性能的影响实验 | 第49-52页 |
3.6.2 标签自扩展前后对比实验 | 第52-53页 |
3.6.3 本章算法与其他最近邻图像标注算法的对比实验 | 第53-54页 |
3.7 本章小结 | 第54-55页 |
总结与展望 | 第55-57页 |
参考文献 | 第57-61页 |
攻读硕士学位期间取得的研究成果 | 第61-62页 |
致谢 | 第62-63页 |
附件 | 第63页 |