具有语义一致性的跨模态关联学习与信息检索
| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第16-30页 |
| 1.1 研究背景 | 第16-18页 |
| 1.2 科学问题和意义 | 第18-25页 |
| 1.2.1 信息冗余 | 第18-21页 |
| 1.2.2 复杂语义 | 第21-23页 |
| 1.2.3 空间异构 | 第23-24页 |
| 1.2.4 复杂内容 | 第24-25页 |
| 1.3 研究内容和主要贡献 | 第25-28页 |
| 1.3.1 基于语义指导的显著性研究和模型构建 | 第27页 |
| 1.3.2 基于复杂语义的跨模态关联学习 | 第27-28页 |
| 1.3.3 基于深度卷积结构的跨模态关联学习 | 第28页 |
| 1.3.4 基于输出融合的跨模态检索原型系统 | 第28页 |
| 1.4 论文组织结构 | 第28-30页 |
| 第二章 国内外研究现状 | 第30-44页 |
| 2.1 著性研究 | 第30-34页 |
| 2.1.1 认知行为实验 | 第30-31页 |
| 2.1.2 显著性模型 | 第31-34页 |
| 2.2 特征提取和学习 | 第34-37页 |
| 2.2.1 特征提取 | 第34-36页 |
| 2.2.2 特征学习 | 第36-37页 |
| 2.3 模型学习 | 第37-41页 |
| 2.3.1 特征降维和度量学习 | 第37-38页 |
| 2.3.2 关联学习 | 第38-41页 |
| 2.4 语义结构 | 第41-44页 |
| 第三章 基于语义指导的显著性研究和建模 | 第44-66页 |
| 3.1 引言 | 第44-46页 |
| 3.2 数据收集 | 第46-49页 |
| 3.2.1 所用视频 | 第46-47页 |
| 3.2.2 指导语 | 第47-48页 |
| 3.2.3 眼动仪 | 第48-49页 |
| 3.2.4 眼动数据收集 | 第49页 |
| 3.3 注视点模式分析 | 第49-56页 |
| 3.3.1 注视点距离 | 第50-52页 |
| 3.3.2 著图和目标区域 | 第52-56页 |
| 3.4 著性模型 | 第56-61页 |
| 3.4.1 长时记忆建模 | 第57-58页 |
| 3.4.2 静态显著性 | 第58-59页 |
| 3.4.3 短时记忆建模 | 第59-60页 |
| 3.4.4 动态显著性 | 第60页 |
| 3.4.5 模型训练 | 第60-61页 |
| 3.5 性能比较 | 第61-62页 |
| 3.6 小结与展望 | 第62-66页 |
| 第四章 基于复杂语义的跨模态关联学习 | 第66-106页 |
| 4.1 引言 | 第66-69页 |
| 4.2 单模态度量学习方法 | 第69-70页 |
| 4.3 问题定义和研究框架 | 第70-72页 |
| 4.4 基于类关联的跨模态度量学习 | 第72-79页 |
| 4.4.1 经验损失 | 第72-74页 |
| 4.4.2 结构风险 | 第74页 |
| 4.4.3 实验 | 第74-79页 |
| 4.4.4 小结与讨论 | 第79页 |
| 4.5 基于多层语义的局部投影聚合关联学习 | 第79-106页 |
| 4.5.1 语义层次化结构 | 第79-81页 |
| 4.5.2 关联学习 | 第81-91页 |
| 4.5.3 实验和讨论 | 第91-100页 |
| 4.5.4 Demo展示 | 第100页 |
| 4.5.5 小结与展望 | 第100-106页 |
| 第五章 基于深度卷积结构的跨模态关联学习 | 第106-116页 |
| 5.1 引言 | 第106-107页 |
| 5.2 所提模型 | 第107-110页 |
| 5.2.1 深度卷积网络 | 第108页 |
| 5.2.2 跨模态关联 | 第108-109页 |
| 5.2.3 结构损失函数 | 第109-110页 |
| 5.3 实验 | 第110-114页 |
| 5.3.1 参数敏感性 | 第110-111页 |
| 5.3.2 和现有方法的性能比较 | 第111-113页 |
| 5.3.3 样例展示 | 第113-114页 |
| 5.4 小结与展望 | 第114-116页 |
| 第六章 基于输出融合的跨模态检索原型系统 | 第116-124页 |
| 6.1 引言 | 第116-117页 |
| 6.2 现有的解决方案 | 第117-118页 |
| 6.3 我们的解决方案 | 第118-119页 |
| 6.4 预处理 | 第119-120页 |
| 6.4.1 点击记录的处理 | 第119页 |
| 6.4.2 文本特征 | 第119-120页 |
| 6.4.3 视觉特征 | 第120页 |
| 6.5 模型及性能 | 第120-123页 |
| 6.5.1 基于SVM的方法 | 第120-121页 |
| 6.5.2 基于CCA的方法 | 第121页 |
| 6.5.3 基于PAMIR的方法 | 第121-122页 |
| 6.5.4 排序结合 | 第122-123页 |
| 6.6 发现与讨论 | 第123页 |
| 6.7 小结与展望 | 第123-124页 |
| 第七章 总结语 | 第124-128页 |
| 7.1 研究内容和研究成果 | 第124-125页 |
| 7.2 研究展望 | 第125-128页 |
| 附录A 第四章中局部关联学习算法的求导 | 第128-132页 |
| 附录B 缩略语表 | 第132-134页 |
| 参考文献 | 第134-144页 |
| 致谢 | 第144-146页 |
| 攻读学位期间发表的学术论文目录 | 第146页 |
