基于深度学习的特征表示与目标检索技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的工作内容与贡献 | 第13-16页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 主要贡献 | 第14页 |
| 1.3.3 论文组织结构 | 第14-16页 |
| 第二章 基于内容的图像检索技术概述 | 第16-26页 |
| 2.1 前言 | 第16-17页 |
| 2.2 基于传统特征的CBIR技术 | 第17-21页 |
| 2.2.1 传统特征-SIFT | 第17-18页 |
| 2.2.2 局部聚合特征向量(VLAD) | 第18-20页 |
| 2.2.3 Fisher Vector | 第20-21页 |
| 2.3 基于深度学习的CBIR技术 | 第21-25页 |
| 2.3.1 预训练 | 第22页 |
| 2.3.2 全连接层特征 | 第22-23页 |
| 2.3.3 距离监督特征学习 | 第23-25页 |
| 2.3.4 新数据集上的模型微调 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于卷积神经网络的特征表达 | 第26-44页 |
| 3.1 前言 | 第26-28页 |
| 3.2 卷积神经网络基础 | 第28-33页 |
| 3.2.1 数据预处理及参数初始化 | 第28-29页 |
| 3.2.2 卷积、池化及全连接 | 第29-31页 |
| 3.2.3 非线性单元 | 第31-33页 |
| 3.3 常用CNN网络结构 | 第33-36页 |
| 3.3.1 AlexNet | 第33-34页 |
| 3.3.2 VGGNet | 第34-35页 |
| 3.3.3 GoogleNet | 第35页 |
| 3.3.4 ResNet | 第35-36页 |
| 3.4 多层次特征融合 | 第36-42页 |
| 3.4.1 CNNs中的不同层 | 第37-39页 |
| 3.4.2 多层次池化方法 | 第39-40页 |
| 3.4.3 多层特征融合 | 第40-41页 |
| 3.4.4 PCA及LDA特征降维与白化 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 深度哈希关键技术 | 第44-54页 |
| 4.1 前言 | 第44-45页 |
| 4.2 候选区域提取技术 | 第45-48页 |
| 4.2.1 Selective search | 第45-47页 |
| 4.2.2 RPN | 第47-48页 |
| 4.3 区域感知深度哈希技术 | 第48-53页 |
| 4.3.1 Proposals提取 | 第49页 |
| 4.3.2 CNN子网络选择 | 第49-50页 |
| 4.3.3 多标签分类损失函数 | 第50-51页 |
| 4.3.4 哈希编码 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 实验结果与分析 | 第54-64页 |
| 5.1 相关数据集及验证方法 | 第54-56页 |
| 5.1.1 数据集 | 第54-55页 |
| 5.1.2 验证方法 | 第55-56页 |
| 5.2 特征表达相关实验 | 第56-61页 |
| 5.2.1 多层次池化的有效性 | 第56-57页 |
| 5.2.2 多层特征融合的效果 | 第57-58页 |
| 5.2.3 输入尺度的影响 | 第58页 |
| 5.2.4 数据集ALISC上的结果 | 第58-59页 |
| 5.2.5 相关领域研究结果对比 | 第59-61页 |
| 5.3 深度哈希相关实验 | 第61-64页 |
| 5.3.1 实验设置 | 第61页 |
| 5.3.2 结果与讨论 | 第61-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 全文总结 | 第64页 |
| 6.2 未来展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间发表的学术论文目录 | 第72页 |
