| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语 | 第10-12页 |
| 1 绪论 | 第12-26页 |
| 1.1 研究目的和意义 | 第12-13页 |
| 1.2 研究现状以及存在的问题 | 第13-22页 |
| 1.2.1 传统图像情感语义分析 | 第14-17页 |
| 1.2.2 宽泛主题图像情感分析 | 第17-20页 |
| 1.2.3 存在的问题 | 第20-22页 |
| 1.3 论文的主要工作以及内容安排 | 第22-26页 |
| 2 基于稀疏自动编码器的无监督特征学习技术研究 | 第26-48页 |
| 2.1 引言 | 第26页 |
| 2.2 稀疏自动编码器原理简介 | 第26-28页 |
| 2.3 基于卷积稀疏自动编码器的图像分类 | 第28-38页 |
| 2.3.1 基于稀疏自动编码器的局部特征学习 | 第28-31页 |
| 2.3.2 基于卷积网络的全局特征提取 | 第31-33页 |
| 2.3.3 Softmax和LR分类器 | 第33-35页 |
| 2.3.4 实验结果与分析 | 第35-38页 |
| 2.4 YUV空间中的无监督特征学习 | 第38-46页 |
| 2.4.1 方法描述 | 第39-41页 |
| 2.4.2 实验结果与分析 | 第41-46页 |
| 2.5 本章小结 | 第46-48页 |
| 3 基于卷积稀疏自动编码器的抽象绘画情感分类 | 第48-66页 |
| 3.1 引言 | 第48-49页 |
| 3.2 基于稀疏自动编码器的自我学习与知识迁移 | 第49-51页 |
| 3.3 方法描述 | 第51-53页 |
| 3.4 数据库和情感模型 | 第53-55页 |
| 3.5 实验结果与分析 | 第55-64页 |
| 3.5.1 无监督特征学习 | 第56-57页 |
| 3.5.2 Abstract100数据库上的分类实验 | 第57-61页 |
| 3.5.3 Abstract280数据库上的分类实验 | 第61-64页 |
| 3.6 本章小结 | 第64-66页 |
| 4 基于卷积稀疏自动编码器和特征选择的织物图像情感分类 | 第66-84页 |
| 4.1 引言 | 第66-67页 |
| 4.2 方法描述 | 第67-70页 |
| 4.3 数据库和情感模型 | 第70-72页 |
| 4.4 实验结果与分析 | 第72-81页 |
| 4.4.1 无监督特征学习 | 第72-73页 |
| 4.4.2 不进行特征选择条件下的图像情感分类 | 第73-78页 |
| 4.4.3 进行特征选择条件下的图像情感分类 | 第78-81页 |
| 4.5 本章小结 | 第81-84页 |
| 5 基于中间本体和文本描述的社交媒体图像情感倾向分析 | 第84-104页 |
| 5.1 引言 | 第84-85页 |
| 5.2 VSO和SENTIBANK简介 | 第85-87页 |
| 5.3 基于本体概念响应的图像情感预测 | 第87页 |
| 5.4 利用文本情感的图像情感预测 | 第87-91页 |
| 5.5 基于后融合方法的图像情感预测 | 第91-92页 |
| 5.6 实验结果与分析 | 第92-101页 |
| 5.6.1 Twitter1269数据集上的实验 | 第92-99页 |
| 5.6.2 Twitter603数据集上的实验 | 第99-101页 |
| 5.7 本章小结 | 第101-104页 |
| 6 总结与展望 | 第104-108页 |
| 6.1 论文工作总结 | 第104-105页 |
| 6.2 未来研究展望 | 第105-108页 |
| 参考文献 | 第108-120页 |
| 致谢 | 第120-122页 |
| 攻读博士学位期间发表的学术论文和参加科研情况 | 第122-124页 |
