| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外的研究现状和研究热点 | 第12-16页 |
| 1.2.1 国内外研究状况 | 第12-14页 |
| 1.2.2 国内外研究热点与难点 | 第14-16页 |
| 1.3 本文的主要内容 | 第16-17页 |
| 1.4 本文的结构安排 | 第17-18页 |
| 第二章 相关基础知识 | 第18-37页 |
| 2.1 基于内容的图像检索的基础内容 | 第18-22页 |
| 2.1.1 图像特征提取 | 第18-19页 |
| 2.1.2 相似性度量 | 第19-20页 |
| 2.1.3 评判标准 | 第20-22页 |
| 2.2 深度学习 | 第22-28页 |
| 2.2.1 深度学习概述 | 第22-25页 |
| 2.2.2 深度学习结构 | 第25-26页 |
| 2.2.3 深度学习模型的基本构成 | 第26-28页 |
| 2.3 常见的深度学习方法 | 第28-36页 |
| 2.3.1 稀疏自编码网络 | 第28-30页 |
| 2.3.2 卷积神经网络 | 第30-34页 |
| 2.3.3 深度信念网 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于自动编码器的图像特征提取算法 | 第37-67页 |
| 3.1 常见的图像特征提取方法 | 第37-39页 |
| 3.2 深度自动编码器模型研究 | 第39-49页 |
| 3.2.1 栈式自动编码器 | 第39-43页 |
| 3.2.2 构建网络模型 | 第43-48页 |
| 3.2.3 基于网络参数可调的栈式自动编码器的特征提取模型构建 | 第48-49页 |
| 3.3 深度特征学习 | 第49-50页 |
| 3.3.1 无监督特征学习 | 第49页 |
| 3.3.2 有监督特征学习 | 第49-50页 |
| 3.4 基于深度学习结合识别和验证监督信号的特征提取算法研究 | 第50-66页 |
| 3.4.1 识别和验证监督信号 | 第50-51页 |
| 3.4.2 基于深度学习结合识别和验证监督信号的图像特征提取 | 第51-52页 |
| 3.4.3 softmax分类器 | 第52-53页 |
| 3.4.4 实验数据集及实验环境 | 第53-55页 |
| 3.4.5 图像预处理 | 第55-60页 |
| 3.4.6 算法总结及实现 | 第60-65页 |
| 3.4.7 实验结果及分析 | 第65-66页 |
| 3.5 本章小结 | 第66-67页 |
| 第四章 深度学习结合哈希方法的图像检索算法 | 第67-83页 |
| 4.1 图像检索系统简介 | 第67-68页 |
| 4.2 基于哈希方法的深度学习算法研究 | 第68-82页 |
| 4.2.1 图像哈希 | 第68-72页 |
| 4.2.2 基于哈希方法的自动编码器 | 第72-73页 |
| 4.2.3 算法总结及实现 | 第73-75页 |
| 4.2.4 实验结果及分析 | 第75-82页 |
| 4.3 本章小结 | 第82-83页 |
| 第五章 总结与展望 | 第83-85页 |
| 5.1 论文总结 | 第83-84页 |
| 5.2 进一步研究工作 | 第84-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-91页 |
| 攻硕期间的科研成果 | 第91-92页 |
