| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 基于语义图像检索国内外研究现状 | 第10-14页 |
| 1.2.1 基于对象本体的语义图像检索方法 | 第10-11页 |
| 1.2.2 基于机器学习的语义图像检索方法 | 第11-12页 |
| 1.2.3 基于相关反馈的语义图像检索方法 | 第12-13页 |
| 1.2.4 基于语义模板的语义图像检索方法 | 第13页 |
| 1.2.5 基于Web图像的语义图像检索方法 | 第13页 |
| 1.2.6 基于深度卷积网络语义图像检索方法 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 文章结构安排 | 第15-17页 |
| 第2章 基于多示例学习的图像标注模型算法设计 | 第17-26页 |
| 2.1 引言 | 第17页 |
| 2.2 ImageNet和Core Image Database简介 | 第17-18页 |
| 2.3 多示例学习 | 第18-22页 |
| 2.3.1 多示例学习方法 | 第19-20页 |
| 2.3.2 轴平行矩形学习算法分析 | 第20-21页 |
| 2.3.3 多样性密度算法分析 | 第21页 |
| 2.3.4 支持向量机算法分析 | 第21-22页 |
| 2.4 算法流程和设计思想 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 图像分割算法设计与分析 | 第26-37页 |
| 3.1 引言 | 第26页 |
| 3.2 相关工作 | 第26-28页 |
| 3.3 基于图的图像分割算法 | 第28-30页 |
| 3.4 分割算法参数分析和设计 | 第30-31页 |
| 3.5 分割算法结果分析 | 第31-35页 |
| 3.5.1 归一化像素灰度级差异效果 | 第31-33页 |
| 3.5.2 松弛变量对分割的影响 | 第33-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第4章 基于深度网络的区域特征提取 | 第37-47页 |
| 4.1 引言 | 第37页 |
| 4.2 相关工作 | 第37-38页 |
| 4.3 基于深度网络的特征提取器的设计 | 第38-42页 |
| 4.3.1 预训练网络模型选择与分析 | 第38-41页 |
| 4.3.2 特征提取器目标函数设计与分析 | 第41-42页 |
| 4.4 特征提取器的训练和结果分析 | 第42-46页 |
| 4.4.1 特征提取器训练 | 第42-43页 |
| 4.4.2 训练结果与分析 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 实验分析 | 第47-55页 |
| 5.1 引言 | 第47页 |
| 5.2 图像语义标注算法 | 第47-54页 |
| 5.2.1 算法设计 | 第47-48页 |
| 5.2.2 实验结果 | 第48-52页 |
| 5.2.3 对比实验 | 第52页 |
| 5.2.4 基于语义标注的语义图像检索系统 | 第52-54页 |
| 5.3 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |