多模态数据分类与检索的关键技术研究
| 致谢 | 第5-6页 |
| 中文摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 多模态数据分析中面临的问题 | 第14-15页 |
| 1.3 论文研究内容 | 第15-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 2 研究综述 | 第18-36页 |
| 2.1 大规模数据分析的研究现状 | 第18-19页 |
| 2.2 文本数据挖掘分析研究现状 | 第19-23页 |
| 2.2.1 文本特征选择 | 第20-22页 |
| 2.2.2 大规模特征选择 | 第22-23页 |
| 2.3 图像分类研究现状 | 第23-31页 |
| 2.3.1 基于人工设计特征的图像分类 | 第23-25页 |
| 2.3.2 基于CNN的图像分类 | 第25-31页 |
| 2.4 跨模态检索研究现状 | 第31-35页 |
| 2.4.1 基于真值表示的方法 | 第32-33页 |
| 2.4.2 基于二进制表示的方法 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 文本大数据挖掘分析关键技术研究 | 第36-56页 |
| 3.1 文本数据分析基础 | 第36-38页 |
| 3.1.1 文本特征表示 | 第37页 |
| 3.1.2 多变量概率分布估计 | 第37-38页 |
| 3.2 基于熵的相关测度 | 第38-41页 |
| 3.2.1 互信息 | 第39页 |
| 3.2.2 基于正态分布的互信息 | 第39-40页 |
| 3.2.3 基于扩展熵的信息损失量 | 第40-41页 |
| 3.3 一种基于信息损失量的特征选择方法研究 | 第41-46页 |
| 3.3.1 基于信息损失量的特征选择 | 第41-42页 |
| 3.3.2 实验结果及分析 | 第42-46页 |
| 3.4 并行特征选择 | 第46-54页 |
| 3.4.1 计算时间复杂度 | 第47-49页 |
| 3.4.2 实验结果及分析 | 第49-54页 |
| 3.5 本章小结 | 第54-56页 |
| 4 基于深度神经网络的图像分类方法研究 | 第56-74页 |
| 4.1 基于深度学习的图像单标签分类 | 第56-59页 |
| 4.1.1 问题描述及方法 | 第56-57页 |
| 4.1.2 实验结果及分析 | 第57-59页 |
| 4.2 融合场景信息的多标签图像分类 | 第59-73页 |
| 4.2.1 多标签图像分类方法 | 第62-66页 |
| 4.2.2 实验结果及分析 | 第66-73页 |
| 4.3 本章小结 | 第73-74页 |
| 5 基于内容的跨模态检索方法研究 | 第74-86页 |
| 5.1 基于CNN特征图像检索 | 第74-79页 |
| 5.1.1 CNN视觉特征的提取 | 第75-76页 |
| 5.1.2 实验结果及分析 | 第76-79页 |
| 5.2 基于深度网络的跨模态检索 | 第79-84页 |
| 5.2.1 检索网络模型 | 第80-82页 |
| 5.2.2 实验结果及分析 | 第82-84页 |
| 5.3 本章小结 | 第84-86页 |
| 6 总结与展望 | 第86-88页 |
| 6.1 论文总结 | 第86-87页 |
| 6.2 工作展望 | 第87-88页 |
| 参考文献 | 第88-94页 |
| 作者简历 | 第94-96页 |
| 攻读博士学位期间发表的学术论文 | 第96-100页 |
| 学位论文数据集 | 第100页 |
