面向图像标注的张量表示与语义建模方法研究
| 摘要 | 第10-12页 |
| Abstract | 第12-14页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 课题研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 图像标注的发展历史 | 第16-17页 |
| 1.2.2 国内外研究机构 | 第17页 |
| 1.2.3 图像标注所面临的问题与挑战 | 第17-18页 |
| 1.3 论文主要工作 | 第18-20页 |
| 1.4 论文内容安排 | 第20-22页 |
| 第二章 背景与相关工作简介 | 第22-40页 |
| 2.1 图像表示的基本方法 | 第22-31页 |
| 2.1.1 常用图像视觉特征提取技术 | 第22-25页 |
| 2.1.2 图像的全局特征表示 | 第25-28页 |
| 2.1.3 图像的局部特征表示 | 第28-31页 |
| 2.2 图像标注的基本方法 | 第31-36页 |
| 2.2.1 图像标注的基本方法 | 第31-34页 |
| 2.2.2 图像标注的网络应用 | 第34-36页 |
| 2.3 图像标注研究的基准图像 | 第36-40页 |
| 2.3.1 Corel-5K数据库 | 第36-37页 |
| 2.3.2 ESP-Game数据库 | 第37-38页 |
| 2.3.3 MSRC数据库 | 第38-39页 |
| 2.3.4 SAIAPR数据库 | 第39页 |
| 2.3.5 NUS-WIDE数据库 | 第39-40页 |
| 第三章 图像的全局张量表示与主题建模 | 第40-63页 |
| 3.1 图像的全局张量表示方法研究 | 第41-52页 |
| 3.1.1 符号表示规范与定义 | 第41-42页 |
| 3.1.2 非负张量表示 | 第42-43页 |
| 3.1.3 非相关张量表示 | 第43-45页 |
| 3.1.4 图像多特征表示及其对语义建模的影响 | 第45-52页 |
| 3.2 基于LDA主题模型的图像标注方法 | 第52-58页 |
| 3.2.1 ELDA模型 | 第52-55页 |
| 3.2.2 cs GM-LDA模型 | 第55-58页 |
| 3.3 实验结果分析 | 第58-62页 |
| 3.3.1 实验设计 | 第58-59页 |
| 3.3.2 结果分析 | 第59-62页 |
| 3.4 本章小结 | 第62-63页 |
| 第四章 图像的局部张量表示与区域语义建模 | 第63-78页 |
| 4.1 图像区域的局部张量表示方法研究 | 第64-67页 |
| 4.1.1 基于三阶统计张量的区域描述方法 | 第65页 |
| 4.1.2 图像块的划分与聚类分析 | 第65-67页 |
| 4.1.3 图像区域分割 | 第67页 |
| 4.2 基于LSHTM模型的图像区域分类 | 第67-69页 |
| 4.3 基于图像块分类的图像标注方法 | 第69-72页 |
| 4.3.1 图像标签推断 | 第70页 |
| 4.3.2 实验结果分析 | 第70-72页 |
| 4.4 图像分割区域的标记与改善 | 第72-77页 |
| 4.4.1 图像区域的类别标记 | 第73页 |
| 4.4.2 区域标记改善 | 第73-74页 |
| 4.4.3 实验结果分析 | 第74-77页 |
| 4.5 本章小结 | 第77-78页 |
| 第五章 结合全局与局部特征的多层次图像标注 | 第78-90页 |
| 5.1 基于CRF模型的多层次图像标注方法 | 第80-85页 |
| 5.1.1 场景层与目标层的语义词汇划分 | 第80-82页 |
| 5.1.2 基于SVM的场景分类 | 第82页 |
| 5.1.3 基于LSTM的区域标记 | 第82-83页 |
| 5.1.4 基于CRF的联合建模 | 第83-85页 |
| 5.2 实验结果分析 | 第85-89页 |
| 5.2.1 实验设计 | 第85-86页 |
| 5.2.2 结果分析 | 第86-89页 |
| 5.3 本章小结 | 第89-90页 |
| 第六章 基于特定类跨域学习的个性化图像标注 | 第90-103页 |
| 6.1 特定类图像标注模型及其个性化 | 第91-97页 |
| 6.1.1 通用图像标注模型 | 第92-94页 |
| 6.1.2 图像标注模型的个性化 | 第94-96页 |
| 6.1.3 面向用户的图像标注 | 第96-97页 |
| 6.2 实验结果 | 第97-102页 |
| 6.2.1 实验设计 | 第97-98页 |
| 6.2.2 结果分析 | 第98-102页 |
| 6.3 本章小结 | 第102-103页 |
| 第七章 结合图学习与非负张量分解的标签修正 | 第103-112页 |
| 7.1 基于两步策略的标签修正框架与方法 | 第105-108页 |
| 7.1.1 相似性距离度量 | 第105-106页 |
| 7.1.2 基于GL模型的标注信息传播 | 第106-107页 |
| 7.1.3 基于非负张量分解的标签修正 | 第107-108页 |
| 7.2 实验结果 | 第108-111页 |
| 7.2.1 实验设计 | 第108-109页 |
| 7.2.2 结果比较 | 第109-111页 |
| 7.3 本章小结 | 第111-112页 |
| 第八章 结论与展望 | 第112-115页 |
| 8.1 本文主要贡献及结论 | 第112-113页 |
| 8.2 进一步研究方向 | 第113-115页 |
| 致谢 | 第115-116页 |
| 参考文献 | 第116-131页 |
| 作者在学期间取得的学术成果 | 第131-132页 |
| 攻读博士期间参加的科研项目 | 第132-133页 |
| 附录A ELDA模型的优化求解 | 第133-136页 |
| 附录B csGM-LDA模型的优化求解 | 第136-139页 |
