基于多示例学习的跨场景图像自动标注研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外相关研究和综述 | 第9-12页 |
| 1.2.1 图像自动标注相关研究 | 第9-10页 |
| 1.2.2 多示例学习框架相关研究 | 第10-12页 |
| 1.3 问题总结与分析 | 第12页 |
| 1.4 本文的主要工作 | 第12页 |
| 1.5 本文的组织结构 | 第12-14页 |
| 第2章 图片标注的基础知识 | 第14-25页 |
| 2.1 多场景图像 | 第14页 |
| 2.2 自动图像标注方法 | 第14-16页 |
| 2.2.1 基于全局特征的标注方法 | 第15页 |
| 2.2.2 基于区域划分的标注方法 | 第15-16页 |
| 2.3 自动图像标注流程 | 第16-21页 |
| 2.3.1 图像预处理 | 第17-18页 |
| 2.3.2 图像特征提取 | 第18-19页 |
| 2.3.3 分类标注 | 第19-21页 |
| 2.4 多示例学习方法 | 第21-24页 |
| 2.4.1 多示例方法与多示例多类标方法 | 第22页 |
| 2.4.2 多示例多类标算法 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 跨场景图像预处理方法研究 | 第25-30页 |
| 3.1 跨场景图像的特点 | 第25-26页 |
| 3.2 跨场景图像自动标注方法 | 第26-29页 |
| 3.2.1 人体部位检测 | 第26-27页 |
| 3.2.2 边缘检测 | 第27-28页 |
| 3.2.3 特征抽取与融合 | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 基于 MIML 方法的图像标注研究 | 第30-36页 |
| 4.1 包和示例的构造 | 第30-31页 |
| 4.2 多示例多类标支持向量机 | 第31-32页 |
| 4.3 模型改进 | 第32-35页 |
| 4.3.1 基于示例的包嵌入方法 | 第33-34页 |
| 4.3.2 半监督学习的融合 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第5章 实验结果与分析 | 第36-46页 |
| 5.1 数据集描述 | 第36-37页 |
| 5.1.1 数据分析与处理 | 第36-37页 |
| 5.2 实验系统的架构设计与搭建 | 第37-39页 |
| 5.2.1 图像预处理流程 | 第37-39页 |
| 5.2.2 MIML 学习算法流程 | 第39页 |
| 5.3 算法验证准则 | 第39-41页 |
| 5.3.1 海明损失 | 第39页 |
| 5.3.2 容错率 | 第39-40页 |
| 5.3.3 覆盖率 | 第40页 |
| 5.3.4 排序损失 | 第40页 |
| 5.3.5 平均精度 | 第40-41页 |
| 5.4 实验结果 | 第41-45页 |
| 5.4.1 参数选择实验 | 第41-42页 |
| 5.4.2 实验结果对比 | 第42-45页 |
| 5.5 本章小结 | 第45-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-53页 |
| 致谢 | 第53页 |
