首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

面向感知的图像检索及自动标注算法研究

中文摘要第1-8页
ABSTRACT第8-13页
1 绪论第13-26页
   ·课题的提出第13-14页
   ·国内外研究现状第14-20页
     ·图像检索技术发展现状第14-18页
     ·图像检索原型系统介绍第18-19页
     ·自动图像标注的研究背景及现状第19-20页
   ·论文的主要研究工作第20-24页
   ·主要内容与结构安排第24-26页
2 基于视觉注意力机制的图像语义检索算法第26-50页
   ·问题描述第26-27页
   ·相关工作介绍与分析第27-30页
     ·基于区域的图像检索原型系统第27-28页
     ·融合机器学习算法的区域图像检索算法介绍第28-29页
     ·区域图像检索算法小结第29-30页
   ·基于注意力机制的图像语义检索算法第30-39页
     ·一种改进的显著图生成算法第31-34页
     ·显著边缘提取算法第34-36页
     ·显著区域提取算法第36-39页
   ·融合显著区域与边缘信息的图像检索算法第39-42页
   ·实验结果分析第42-48页
     ·显著区域评测结果第42-44页
     ·检索实验结果第44-47页
     ·实验结果分析第47-48页
   ·本章小结第48-50页
3 融合图学习与区域显著性分析的图像检索算法第50-72页
   ·问题描述第50-51页
   ·现有方法介绍与分析第51-55页
     ·相关反馈中的学习问题第52-53页
     ·基于半监督学习的图像检索算法第53-54页
     ·小结第54-55页
   ·基于图学习算法与区域显著性分析相融合的检索策略第55-65页
     ·流形排序(Manifold-Ranking)算法基本原理第55-57页
     ·基于流形排序的图像检索算法第57-59页
     ·融合层次化图模型与区域显著性分析的检索算法第59-62页
     ·结合相关反馈机制与区域显著性分析的检索算法第62-65页
   ·实验结果分析第65-71页
     ·实验设置第65-66页
     ·融合层次化图模型与区域显著性分析的算法性能分析第66-67页
     ·结合相关反馈机制与区域显著性分析的算法性能分析第67-71页
   ·本章小结第71-72页
4 基于半监督多示例多标记学习的图像标注算法第72-96页
   ·问题描述第72-74页
   ·现有方法介绍与分析第74-79页
     ·基于机器翻译模型的方法第74-75页
     ·基于相关模型的方法第75-77页
     ·基于分类器的方法第77-79页
   ·基于半监督学习框架的多示例多标记图像标注算法第79-90页
     ·多示例多标记学习算法基本原理第80页
     ·基于SSMIML的标注算法第80-90页
   ·实验结果分析第90-95页
     ·实验设置第90-91页
     ·实验结果分析第91-95页
   ·本章小结第95-96页
5 基于样本典型性分析的图像标注算法第96-112页
   ·问题描述第96-98页
   ·现有方法与分析第98-100页
     ·图像标注改善第98页
     ·基于Search的标注算法第98-99页
     ·样本典型性分析第99-100页
     ·小结第100页
   ·本章方法介绍第100-107页
     ·Citation-kNN多示例学习算法第101-103页
     ·图像样本置信权值计算第103-104页
     ·基于改进的Citation-kNN算法的的图像标注方法第104-107页
   ·实验结果分析第107-111页
     ·实验设置第107-108页
     ·实验性能分析第108-111页
   ·本章小结第111-112页
6 论文工作总结与展望第112-116页
   ·论文工作总结第112-114页
   ·进一步的工作第114-115页
   ·展望第115-116页
参考文献第116-125页
作者简历第125页
攻读博士学位期间发表的学术论文第125-128页
学位论文数据集第128页

论文共128页,点击 下载论文
上一篇:流形学习的谱方法相关问题研究
下一篇:虚拟服务价值网的建模与动态整合研究