基于多示例学习的图像检索算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 基于内容的图像检索 | 第14-16页 |
| 1.2.2 多示例学习 | 第16-17页 |
| 1.2.3 基于多示例学习的图像检索 | 第17-19页 |
| 1.3 本文研究内容 | 第19页 |
| 1.4 本文结构安排 | 第19-22页 |
| 第2章 相关工作 | 第22-38页 |
| 2.1 概念及表示 | 第22页 |
| 2.2 基于目标概念点的多示例学习 | 第22-25页 |
| 2.3 基于图的多示例学习 | 第25-31页 |
| 2.4 基于决策神经网络的多示例学习算法 | 第31-33页 |
| 2.5 基于特征映射的多示例学习 | 第33-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 基于示例一致性的图像检索算法 | 第38-50页 |
| 3.1 引言 | 第38-39页 |
| 3.2 算法框架 | 第39页 |
| 3.3 潜在正示例选择 | 第39-41页 |
| 3.4 特征映射 | 第41页 |
| 3.5 分类器的选择 | 第41-42页 |
| 3.6 MILIC算法流程 | 第42页 |
| 3.7 实验结果与分析 | 第42-48页 |
| 3.7.1 SIVAL数据集上实验 | 第42-46页 |
| 3.7.2 Corel 2000数据集实验 | 第46-48页 |
| 3.7.3 图像分类 | 第48页 |
| 3.8 本章小结 | 第48-50页 |
| 第4章 基于示例加权和空间关系的图像检索算法 | 第50-62页 |
| 4.1 引言 | 第50-52页 |
| 4.2 基于示例加权的示例选择 | 第52-57页 |
| 4.2.1 显著度计算 | 第52-55页 |
| 4.2.2 基于加权的IC函数 | 第55页 |
| 4.2.3 潜在正示例个数计算 | 第55-56页 |
| 4.2.4 潜在正示例选择 | 第56-57页 |
| 4.3 基于空间关系的特征表达 | 第57-58页 |
| 4.3.1 空间特征 | 第57页 |
| 4.3.2 归一化处理 | 第57-58页 |
| 4.4 实验结果与分析 | 第58-59页 |
| 4.5 本章小结 | 第59-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 本文的主要工作 | 第62页 |
| 5.2 下一步的研究工作 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第72页 |
