| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于内容的图像检索方法的研究现状 | 第12-13页 |
| 1.2.2 图像表示的研究现状 | 第13-14页 |
| 1.2.3 检索方法的研究现状 | 第14-15页 |
| 1.3 论文的主要工作与组织结构 | 第15-17页 |
| 1.3.1 论文的主要工作 | 第15页 |
| 1.3.2 论文组织结构 | 第15-17页 |
| 第2章 基于内容的图像检索系统 | 第17-29页 |
| 2.1 基于内容的图像检索概述 | 第17-19页 |
| 2.1.1 相似对象检索 | 第18页 |
| 2.1.2 相似类别检索 | 第18-19页 |
| 2.2 图像内容表示 | 第19-22页 |
| 2.2.1 基于全局特征的内容表示 | 第19-20页 |
| 2.2.2 基于局部特征的内容表示 | 第20-21页 |
| 2.2.3 跨学科领域的图像表示 | 第21-22页 |
| 2.3 相似性度量 | 第22-25页 |
| 2.3.1 闵可夫斯基距离体系(Minkowski Distance) | 第23-25页 |
| 2.3.2 汉明距离(Hamming Distance) | 第25页 |
| 2.4 检索方法 | 第25-27页 |
| 2.4.1 传统检索方法 | 第25-26页 |
| 2.4.2 基于树的检索方法 | 第26页 |
| 2.4.3 基于哈希编码的检索方法 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 基于深度学习的图像索引 | 第29-49页 |
| 3.1 深度学习方法介绍 | 第29-32页 |
| 3.1.1 深度学习概述 | 第29-31页 |
| 3.1.2 主流深度神经网络方法 | 第31-32页 |
| 3.2 卷积神经网络 | 第32-39页 |
| 3.2.1 卷积神经网络概述 | 第32-33页 |
| 3.2.2 卷积神经网络构成与原理 | 第33-39页 |
| 3.3 基于VGGNet的深度网络模型 | 第39-41页 |
| 3.3.1 VGGNet介绍 | 第39-40页 |
| 3.3.2 本文所使用的网络结构 | 第40-41页 |
| 3.4 模型预训练及实验分析 | 第41-47页 |
| 3.4.1 软硬件环境及图像库 | 第41-42页 |
| 3.4.2 模型预训练设置 | 第42-43页 |
| 3.4.3 模型预训练情况 | 第43-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第4章 图像索引的哈希编码 | 第49-67页 |
| 4.1 度量学习介绍 | 第49-51页 |
| 4.1.1 度量学习概述 | 第49-50页 |
| 4.1.2 度量学习降维方法 | 第50-51页 |
| 4.2 哈希编码介绍 | 第51-55页 |
| 4.2.1 哈希编码概述 | 第51-52页 |
| 4.2.2 典型哈希编码方法 | 第52-55页 |
| 4.3 结合深度网络模型与哈希编码的图像检索方法 | 第55-57页 |
| 4.3.1 深度网络图像索引信息 | 第55页 |
| 4.3.2 结合度量学习的迭代量化哈希编码 | 第55-56页 |
| 4.3.3 本文的图像检索方法流程框架 | 第56页 |
| 4.3.4 检索性能指标 | 第56-57页 |
| 4.4 实验运行结果与分析 | 第57-66页 |
| 4.4.1 度量学习方法有效性验证 | 第57-59页 |
| 4.4.2 实验对比分析 | 第59-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 结论与展望 | 第67-69页 |
| 5.1 总结与结论 | 第67-68页 |
| 5.2 未来工作 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第77页 |