| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于CNN的全局特征表示在示例检索中的应用 | 第13页 |
| 1.2.2 基于CNN的目标候选框定位在示例检索中的应用 | 第13-14页 |
| 1.2.3 优化CNN的网络参数在示例检索中的应用 | 第14页 |
| 1.3 本文的工作和安排 | 第14-18页 |
| 1.3.1 主要研究内容和创新点 | 第14-15页 |
| 1.3.2 论文结构安排 | 第15-18页 |
| 第二章 基于Gram矩阵特征表示的图像检索 | 第18-32页 |
| 2.1 引言 | 第18-19页 |
| 2.2 基于预训练深度网络的图像检索 | 第19-21页 |
| 2.2.1 常用的卷积神经网络结构 | 第19-20页 |
| 2.2.2 用于预训练网络的常用数据集 | 第20页 |
| 2.2.3 网络迁移 | 第20-21页 |
| 2.3 基于Gram矩阵的特征聚合 | 第21-25页 |
| 2.3.1 特征的编码与池化 | 第21-23页 |
| 2.3.2 Gram矩阵介绍 | 第23页 |
| 2.3.3 基于Gram矩阵的特征聚合,应用线性通道加权 | 第23-24页 |
| 2.3.4 基于Gram矩阵的特征聚合,应用稀疏敏感的通道加权 | 第24-25页 |
| 2.4 实验 | 第25-30页 |
| 2.4.1 检索数据集 | 第25-26页 |
| 2.4.2 性能评价指标 | 第26-27页 |
| 2.4.3 实验细节 | 第27页 |
| 2.4.4 实验结果与性能比较 | 第27-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 目标候选框定位在图像检索中的应用 | 第32-46页 |
| 3.1 引言 | 第32-33页 |
| 3.2 相关工作 | 第33页 |
| 3.3 候选区域网络 | 第33-38页 |
| 3.3.1 Anchors | 第34-36页 |
| 3.3.2 损失函数 | 第36-37页 |
| 3.3.3 训练候选区域网络 | 第37-38页 |
| 3.4 利用大规模噪声数据 | 第38-40页 |
| 3.4.1 数据清洗 | 第38-39页 |
| 3.4.2 目标框回归 | 第39-40页 |
| 3.5 实验 | 第40-44页 |
| 3.5.1 数据集与实验基准网络 | 第40-41页 |
| 3.5.2 性能评价指标 | 第41-42页 |
| 3.5.3 实验结果与分析 | 第42-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第四章 在神经网络的优化中学习全局特征描述 | 第46-56页 |
| 4.1 引言 | 第46-47页 |
| 4.2 相关工作 | 第47-48页 |
| 4.2.1 基于卷积神经网络的检索 | 第47页 |
| 4.2.2 对卷积神经网络进行参数微调 | 第47页 |
| 4.2.3 连体网络与度量学习 | 第47-48页 |
| 4.3 优化卷积神经网络参数的方法 | 第48-52页 |
| 4.3.1 训练网络与学习检索特定目标 | 第48-51页 |
| 4.3.2 引入更有效的候选区域网络提取候选框 | 第51页 |
| 4.3.3 获取全局特征表示 | 第51-52页 |
| 4.4 实验 | 第52-55页 |
| 4.4.1 数据集与实验细节 | 第52-53页 |
| 4.4.2 实验结果与分析 | 第53-55页 |
| 4.5 本章小节 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |
