| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 图像标注研究现状 | 第14-16页 |
| 1.3 图像分类研究现状 | 第16-17页 |
| 1.4 本文的主要工作及结构安排 | 第17-20页 |
| 1.4.1 本文的主要工作 | 第17-18页 |
| 1.4.2 论文的结构安排 | 第18-20页 |
| 第2章 相关基础理论 | 第20-32页 |
| 2.1 词袋模型 | 第20-23页 |
| 2.2 概率主题模型 | 第23-26页 |
| 2.2.1 LDA模型 | 第23-24页 |
| 2.2.2 Corr-LDA模型 | 第24-26页 |
| 2.3 EM算法及变分推理算法 | 第26-27页 |
| 2.3.1 EM算法 | 第26页 |
| 2.3.2 变分推理方法 | 第26-27页 |
| 2.4 卷积神经网络 | 第27-30页 |
| 2.4.1 卷积层 | 第28-29页 |
| 2.4.2 池化层 | 第29页 |
| 2.4.3 激活函数 | 第29-30页 |
| 2.4.4 全连接层 | 第30页 |
| 2.5 VGG16卷积神经网络 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于Corr-LDA模型的图像标注方法 | 第32-40页 |
| 3.1 引言 | 第32页 |
| 3.2 基于Corr-LDA模型的图像标注方法 | 第32-34页 |
| 3.3 实验对比与结果分析 | 第34-38页 |
| 3.3.1 评估方式及数据预处理 | 第34页 |
| 3.3.2 标注性能比较 | 第34-36页 |
| 3.3.3 Corr-LDA-C方法中各类别标注性能比较 | 第36-37页 |
| 3.3.4 计算时间对比 | 第37-38页 |
| 3.4 标注结果比较 | 第38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 改进交叉熵损失函数的图像分类方法 | 第40-48页 |
| 4.1 引言 | 第40页 |
| 4.2 SCE损失函数 | 第40页 |
| 4.3 SCE-UD损失函数 | 第40-41页 |
| 4.4 实验对比与结果分析 | 第41-47页 |
| 4.4.1 数据预处理 | 第41-42页 |
| 4.4.2 实验设置 | 第42页 |
| 4.4.3 分类性能比较 | 第42页 |
| 4.4.4 减少训练数据量的分类性能比较 | 第42-44页 |
| 4.4.5 Boxplot的分类性能比较 | 第44页 |
| 4.4.6 混淆矩阵 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 总结与展望 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
| 附录A 攻读硕士学位期间发表的学术论文及参与的科研项目 | 第56页 |