| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第1章 绪论 | 第9-21页 |
| ·图像标注的研究背景 | 第9-10页 |
| ·图像标注的模型与方法 | 第10-12页 |
| ·基于机器学习的模型 | 第10-11页 |
| ·基于概率统计的模型 | 第11-12页 |
| ·基于检索的方法 | 第12页 |
| ·图像标注研究的主要瓶颈 | 第12-15页 |
| ·照度（Illumination） | 第12-13页 |
| ·遮挡与角度旋转（Occlusion and Rotation） | 第13页 |
| ·尺度(Scale) | 第13-14页 |
| ·同类差异与异类相似 | 第14-15页 |
| ·图像标注的研究现状与进展 | 第15页 |
| ·BoVW 建模图像标注 | 第15-19页 |
| ·BoVW 模型的基本框架 | 第15-17页 |
| ·BoVW 的研究现状与最新进展 | 第17-18页 |
| ·BoVW 建模图像标注的基础性问题 | 第18-19页 |
| ·本文的研究目的和任务 | 第19页 |
| ·主要内容和结构安排 | 第19-21页 |
| 第2章 BoVW 模型的相关原理与背景知识 | 第21-33页 |
| ·引言 | 第21页 |
| ·视觉特征的类型 | 第21-23页 |
| ·色彩特征 | 第22页 |
| ·纹理特征 | 第22-23页 |
| ·形状特征 | 第23页 |
| ·不变性特征（Invariant Feature） | 第23页 |
| ·局部视觉特征的采样定位 | 第23-25页 |
| ·稠密采样 | 第23-24页 |
| ·稀疏采样 | 第24-25页 |
| ·局部视觉特征的描述 | 第25-26页 |
| ·视觉词汇表的构建 | 第26-28页 |
| ·向量量化 | 第26页 |
| ·高斯混合模型 GMM | 第26-27页 |
| ·稀疏编码 | 第27-28页 |
| ·图像特征的表示 | 第28-29页 |
| ·空间金字塔 | 第28-29页 |
| ·Fisher 向量 | 第29页 |
| ·分类算法介绍 | 第29-32页 |
| ·支持向量机 SVM | 第30-31页 |
| ·核区别分析 KDA | 第31-32页 |
| ·图像标注测试集介绍 | 第32-33页 |
| 第3章 基于视觉单词模糊权重的图像标注 | 第33-51页 |
| ·引言 | 第33页 |
| ·问题定义 | 第33-35页 |
| ·视觉单词的含糊性 | 第33-34页 |
| ·视觉单词的权重度量 | 第34-35页 |
| ·相关工作 | 第35-39页 |
| ·视觉单词的映射机制分析 | 第35-38页 |
| ·视觉单词的权重方案分析 | 第38-39页 |
| ·OC-SVM 原理 | 第39-40页 |
| ·模糊权重方案 FWS | 第40-45页 |
| ·构建视觉词汇表 | 第40-42页 |
| ·FWS 映射与模糊计权原理 | 第42-45页 |
| ·实验 | 第45-50页 |
| ·实验一 | 第46-47页 |
| ·实验二 | 第47-50页 |
| ·结论 | 第50-51页 |
| 第4章 基于多尺度空间优化的图像标注 | 第51-67页 |
| ·引言 | 第51页 |
| ·问题定义 | 第51页 |
| ·相关工作 | 第51-52页 |
| ·多尺度特征 | 第52-54页 |
| ·Msso-BoVW 原理 | 第54-56页 |
| ·多核学习与权重优化 | 第56-59页 |
| ·实验 | 第59-65页 |
| ·实验一 | 第59-63页 |
| ·实验二 | 第63-65页 |
| ·结论 | 第65-67页 |
| 第5章 结论与展望 | 第67-69页 |
| ·本文的总结 | 第67-68页 |
| ·研究展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 缩略语词汇表 | 第74-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间的研究成果 | 第78页 |