| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 主要符号对照表 | 第9-10页 |
| 第1章 引言 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-14页 |
| 1.1.1 社交网络上的多媒体信息处理新特点 | 第10-12页 |
| 1.1.2 社会网络与传统网站数据对比 | 第12-14页 |
| 1.2 本文研究切入点与主要研究内容 | 第14-18页 |
| 1.2.1 研究难点与挑战 | 第14-16页 |
| 1.2.2 主要研究内容与论文贡献点 | 第16-17页 |
| 1.2.3 章节安排 | 第17-18页 |
| 第2章 研究现状与相关工作 | 第18-25页 |
| 2.1 图像特征提取与融合 | 第18-20页 |
| 2.2 社会化多媒体信息处理与多模态关联 | 第20-22页 |
| 2.3 社会网络上的视频摘要 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 数据驱动的图像特征提取与融合算法 | 第25-59页 |
| 3.1 问题分析与研究思路 | 第25-27页 |
| 3.2 浅层与深层图像特征提取算法 | 第27-39页 |
| 3.2.1 颜色纹理直方图码本特征 | 第27-31页 |
| 3.2.2 基于局部形状稳定的SIFT特征 | 第31-33页 |
| 3.2.3 基于边缘提取和模板匹配的HMAX特征 | 第33-36页 |
| 3.2.4 具有深度学习框架的卷积网络特征 | 第36-39页 |
| 3.3 基于混淆矩阵的多种特征优势互补与融合 | 第39-44页 |
| 3.3.1 利用单一特征构建图像分类器 | 第39页 |
| 3.3.2 基于验证数据的归一化的混淆矩阵生成 | 第39页 |
| 3.3.3 基于混淆矩阵的高覆盖率混淆分组生成 | 第39-42页 |
| 3.3.4 基于混淆分组的特征互补与融合 | 第42-44页 |
| 3.4 实验 | 第44-57页 |
| 3.4.1 ImageNet数据集上的特征比较与融合 | 第45-51页 |
| 3.4.2 大数据集上的数据驱动算法效果 | 第51-53页 |
| 3.4.3 基于混淆矩阵的特征融合 | 第53-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第4章 社会多媒体的双向语义关联模型 | 第59-82页 |
| 4.1 问题分析与研究思路 | 第59-61页 |
| 4.2 富媒体微博数据分析 | 第61-64页 |
| 4.3 社会化图像与文字关联模型 | 第64-72页 |
| 4.3.1 双向语义关联产生式模型 | 第65-68页 |
| 4.3.2 基于变量推理的概率模型推导 | 第68-69页 |
| 4.3.3 双向语义关联模型在社会化多媒体处理中的应用 | 第69-70页 |
| 4.3.4 在线话题发现系统EVENTLENS | 第70-72页 |
| 4.4 实验 | 第72-81页 |
| 4.4.1 数据和实验搭建 | 第72-73页 |
| 4.4.2 多模态话题评测 | 第73-77页 |
| 4.4.3 利用图像来解释文本微博 | 第77-78页 |
| 4.4.4 社会感知的图像标注 | 第78-81页 |
| 4.5 本章小结 | 第81-82页 |
| 第5章 社会属性感知的视频摘要 | 第82-104页 |
| 5.1 问题分析与研究思路 | 第82-84页 |
| 5.2 社会网络上的视频的社会属性 | 第84-85页 |
| 5.3 结合视频内容和社会属性的视频故事板生成算法 | 第85-92页 |
| 5.3.1 内容和社会信息联合优化 | 第87-90页 |
| 5.3.2 异构用户信息提取与用户兴趣建模 | 第90-92页 |
| 5.4 实验 | 第92-103页 |
| 5.4.1 实验数据与实验平台搭建 | 第92-96页 |
| 5.4.2 社会感知的观看者兴趣评价 | 第96-98页 |
| 5.4.3 社会感知的视频故事板 | 第98-99页 |
| 5.4.4 社会感知的视频故事板生成算法的主观评价 | 第99-103页 |
| 5.5 本章小结 | 第103-104页 |
| 第6章 总结与展望 | 第104-107页 |
| 6.1 工作总结 | 第104-105页 |
| 6.2 未来研究方向 | 第105-107页 |
| 参考文献 | 第107-116页 |
| 致谢 | 第116-118页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第118-119页 |
