| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究的背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 本文结构安排 | 第14-15页 |
| 第二章 相关基础理论介绍 | 第15-31页 |
| 2.1 基于内容的图像检索技术介绍 | 第15-18页 |
| 2.1.1 相同物体图像检索 | 第15-16页 |
| 2.1.2 相同类别图像检索 | 第16页 |
| 2.1.3 经典的图像检索算法 | 第16-18页 |
| 2.2 深度学习相关理论 | 第18-28页 |
| 2.2.1 卷积神经网络 | 第18-26页 |
| 2.2.2 长短时记忆网络 | 第26-28页 |
| 2.3 图像描述 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于特征聚合的局部CNN特征提取研究 | 第31-50页 |
| 3.1 基于卷积神经网络的特征提取 | 第31-32页 |
| 3.2 基于词袋模型的特征聚合算法 | 第32-36页 |
| 3.3 基于空间加权和通道加权的特征聚合算法 | 第36-40页 |
| 3.3.1 优秀的特征聚合策略 | 第36-37页 |
| 3.3.2 空间加权和通道加权的特征聚合 | 第37-39页 |
| 3.3.3 查询扩展 | 第39-40页 |
| 3.4 实验与结果分析 | 第40-48页 |
| 3.4.1 实验环境及数据集 | 第40-42页 |
| 3.4.2 基于词袋模型的特征聚合算法性能分析 | 第42-44页 |
| 3.4.3 基于空间加权和通道加权的特征聚合算法性能分析 | 第44-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于显著性区域的局部CNN特征提取研究 | 第50-63页 |
| 4.1 基于图像理解的显著性区域提取 | 第50-53页 |
| 4.1.1 网络结构 | 第51-52页 |
| 4.1.2 损失函数 | 第52-53页 |
| 4.1.3 训练和优化 | 第53页 |
| 4.2 显著性区域的选取与编码 | 第53-57页 |
| 4.2.1 显著性区域的选取 | 第53-56页 |
| 4.2.2 基于和采样的区域编码 | 第56-57页 |
| 4.3 实验与结果分析 | 第57-62页 |
| 4.3.1 实验环境及数据集 | 第57-58页 |
| 4.3.2 平均检索准确率 | 第58-59页 |
| 4.3.3 算法性能分析 | 第59-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 内容总结 | 第63-64页 |
| 5.2 研究展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间取得的成果 | 第70-71页 |