| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于CNN的无监督全局特征表示在示例检索中的应用 | 第12-13页 |
| 1.2.2 优化预训练深度网络在示例检索任务中的性能 | 第13页 |
| 1.2.3 示例图像检索中的查询扩展 | 第13-14页 |
| 1.3 本文的工作和安排 | 第14-16页 |
| 1.3.1 主要研究内容和创新点 | 第14-15页 |
| 1.3.2 论文结构安排 | 第15-16页 |
| 第二章 基于指示矩阵与Gram矩阵加权的图像检索 | 第16-28页 |
| 2.1 引言 | 第16-17页 |
| 2.2 基于预训练深度网络的图像检索 | 第17-18页 |
| 2.2.1 常用的卷积神经网络结构 | 第17-18页 |
| 2.2.2 预训练CNN用于示例图像检索的相关工作 | 第18页 |
| 2.3 基于指示矩阵与Gram矩阵加权聚合卷积特征 | 第18-22页 |
| 2.3.1 基于空间-通道加权的特征编码框架 | 第18-19页 |
| 2.3.2 基于指示矩阵的空间显著性加权 | 第19-20页 |
| 2.3.3 基于Gram矩阵的通道敏感性加权 | 第20-22页 |
| 2.4 实验 | 第22-26页 |
| 2.4.1 示例检索数据集 | 第22-23页 |
| 2.4.2 性能评价指标 | 第23页 |
| 2.4.3 实验细节 | 第23页 |
| 2.4.4 实验结果与性能比较 | 第23-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于有限标注数据集优化神经网络全局特征表示 | 第28-42页 |
| 3.1 引言 | 第28-29页 |
| 3.2 相关工作与存在的问题 | 第29-30页 |
| 3.2.1 基于卷积神经网络的图像检索中的参数优化 | 第29-30页 |
| 3.2.2 现有方法中的主要问题 | 第30页 |
| 3.3 多重显著性与基于Gram矩阵的通道敏感性网络 | 第30-33页 |
| 3.3.1 全卷积特征提取 | 第30-31页 |
| 3.3.2 多重显著性模块(MSB) | 第31页 |
| 3.3.3 Gram-CS模块 | 第31-32页 |
| 3.3.4 加权聚合与投影 | 第32页 |
| 3.3.5 后处理 | 第32-33页 |
| 3.4 训练方法 | 第33-35页 |
| 3.4.1 用于多重显著性学习的归一化Gram差异性损失函数 | 第33-34页 |
| 3.4.2 基于示例损失的无监督训练 | 第34-35页 |
| 3.4.3 基于分类与排序损失的监督学习 | 第35页 |
| 3.5 实验 | 第35-40页 |
| 3.5.1 数据集 | 第35-36页 |
| 3.5.2 实验细节 | 第36页 |
| 3.5.3 实验结果与分析 | 第36-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于相似度加权与数据扩散的查询扩展 | 第42-52页 |
| 4.1 引言 | 第42-43页 |
| 4.2 相关工作 | 第43-44页 |
| 4.2.1 查询扩展 | 第43页 |
| 4.2.2 数据扩散 | 第43-44页 |
| 4.3 基于相似度加权的查询扩展 | 第44页 |
| 4.4 基于数据扩散的查询扩展 | 第44-47页 |
| 4.4.1 建立相似度矩阵 | 第45页 |
| 4.4.2 数据扩散 | 第45-46页 |
| 4.4.3 局部限制 | 第46页 |
| 4.4.4 高性能查询扩展算法 | 第46-47页 |
| 4.5 实验 | 第47-49页 |
| 4.5.1 数据集与实验细节 | 第47-48页 |
| 4.5.2 实验结果与分析 | 第48-49页 |
| 4.6 本章小节 | 第49-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-62页 |
| 攻读学位期间发表的学术论文目录 | 第62页 |
