| 摘要 | 第5-7页 |
| abstract | 第7-10页 |
| 缩略词表 | 第15-17页 |
| 第一章 绪论 | 第17-28页 |
| 1.1 课题研究背景及意义 | 第17-18页 |
| 1.2 课题研究现状与挑战 | 第18-22页 |
| 1.2.1 课题研究现状 | 第18-22页 |
| 1.2.1.1 针对图像局部区域的语义信息提取研究 | 第18-19页 |
| 1.2.1.2 针对图像对象区域的语义信息提取研究 | 第19-20页 |
| 1.2.1.3 针对图像整体语义信息提取的图像分类方法研究 | 第20-22页 |
| 1.2.2 图像语义信息提取与分类方法面临的挑战 | 第22页 |
| 1.3 本文主要研究工作 | 第22-25页 |
| 1.3.1 基于图像局部区域的语义信息提取 | 第23页 |
| 1.3.2 基于图像对象区域的语义信息提取 | 第23-24页 |
| 1.3.3 基于图像整体语义信息提取的图像分类方法 | 第24-25页 |
| 1.4 论文结构安排 | 第25-28页 |
| 第二章 基于判别性稀疏表示的图像局部区域语义信息提取方法 | 第28-48页 |
| 2.1 引言 | 第28-31页 |
| 2.2 问题描述 | 第31页 |
| 2.3 判别性稀疏表示图像分解模型 | 第31-38页 |
| 2.3.1 过完备字典构建 | 第32-33页 |
| 2.3.2 稀疏表示模型 | 第33-34页 |
| 2.3.3 判别性稀疏表示模型 | 第34-35页 |
| 2.3.4 模型优化算法 | 第35-36页 |
| 2.3.5 超像素细化 | 第36-38页 |
| 2.4 实验对比与分析 | 第38-45页 |
| 2.4.1 实验参数设置 | 第39-40页 |
| 2.4.2 算法评价测度 | 第40-43页 |
| 2.4.3 时间复杂度分析 | 第43-44页 |
| 2.4.4 算法主观结果 | 第44-45页 |
| 2.5 本章小结 | 第45-48页 |
| 第三章 基于图匹配的协同图像局部区域语义信息提取方法 | 第48-60页 |
| 3.1 引言 | 第48页 |
| 3.2 问题描述 | 第48-49页 |
| 3.3 基于图匹配的语义超像素提取框架 | 第49-55页 |
| 3.3.1 候选超像素生成 | 第49-51页 |
| 3.3.2 协同图像局部语义区域提取 | 第51-55页 |
| 3.4 实验与分析 | 第55-59页 |
| 3.4.1 实验设置 | 第55页 |
| 3.4.2 实验评价测度设计 | 第55-56页 |
| 3.4.3 实验结果分析及对比 | 第56-59页 |
| 3.5 本章小结 | 第59-60页 |
| 第四章 基于字典学习的图像对象区域语义信息提取方法 | 第60-78页 |
| 4.1 引言 | 第60-61页 |
| 4.2 基于低秩及稀疏表示字典学习的协同图像对象区域语义信息提取方法 | 第61-68页 |
| 4.2.1 问题描述 | 第61页 |
| 4.2.2 低秩及稀疏表示字典学习模型 | 第61-62页 |
| 4.2.3 低秩矩阵分解获取候选对象区域 | 第62-63页 |
| 4.2.4 基于低秩及稀疏表示字典学习的协同对象检测 | 第63-64页 |
| 4.2.5 字典学习模型优化算法 | 第64-67页 |
| 4.2.6 实验分析 | 第67-68页 |
| 4.3 联合高层对象知识及底层视觉特征字典学习的非特定对象区域语义信息提取方法 | 第68-77页 |
| 4.3.1 问题描述 | 第69页 |
| 4.3.2 基于视觉字典学习的对象性检测方法 | 第69-70页 |
| 4.3.3 判别性成对字典学习模型 | 第70-71页 |
| 4.3.4 成对字典学习模型优化算法 | 第71-72页 |
| 4.3.5 无监督字典学习 | 第72-73页 |
| 4.3.6 对象高层语义及底层视觉线索集成 | 第73-74页 |
| 4.3.7 实验对比及分析 | 第74-77页 |
| 4.4 本章小节 | 第77-78页 |
| 第五章 基于对象部件学习的图像对象区域语义信息提取方法 | 第78-88页 |
| 5.1 引言 | 第78页 |
| 5.2 问题描述 | 第78-79页 |
| 5.3 基于判别性聚类的语义部件学习框架 | 第79-84页 |
| 5.3.1 学习判别性语义部件检测器 | 第79-83页 |
| 5.3.1.1 语义部件发觉 | 第80-81页 |
| 5.3.1.2 基于稀疏表示的部件集合排名 | 第81-82页 |
| 5.3.1.3 判别性语义部件检测器学习 | 第82-83页 |
| 5.3.2 对象检测算法 | 第83-84页 |
| 5.4 实验比较及分析 | 第84-87页 |
| 5.4.1 实验配置 | 第84-85页 |
| 5.4.2 实验方法对比 | 第85-87页 |
| 5.5 本章小结 | 第87-88页 |
| 第六章 基于特征发觉的语义信息提取图像分类方法 | 第88-106页 |
| 6.1 引言 | 第88-91页 |
| 6.2 问题描述 | 第91页 |
| 6.3 基于判别性视觉模式挖掘的字典学习及分解模型 | 第91-100页 |
| 6.3.1 基于判别性特征发觉字典学习模型 | 第92-95页 |
| 6.3.2 多层共有及特定视觉模式字典分解 | 第95-96页 |
| 6.3.3 模型优化算法 | 第96-100页 |
| 6.4 实验分析与比较 | 第100-104页 |
| 6.4.1 模型参数设置 | 第100页 |
| 6.4.2 实验对比分析 | 第100-103页 |
| 6.4.3 算法收敛性分析 | 第103-104页 |
| 6.5 本章小结 | 第104-106页 |
| 第七章 基于类特定分享及代表性视觉模式的语义信息提取图像分类方法 | 第106-130页 |
| 7.1 引言 | 第106页 |
| 7.2 问题描述 | 第106-107页 |
| 7.3 基于字典单词关联性挖掘的视觉字典学习模型 | 第107-119页 |
| 7.3.1 判别性类特定字典学习 | 第108-110页 |
| 7.3.2 代表性模式字典学习 | 第110-111页 |
| 7.3.3 判别性类特定字典模型优化算法 | 第111-114页 |
| 7.3.4 代表性模式字典模型优化算法 | 第114-117页 |
| 7.3.5 图像底层特征中层表示 | 第117-118页 |
| 7.3.6 图像级描述符构建 | 第118-119页 |
| 7.4 实验分析 | 第119-128页 |
| 7.4.1 实验模型参数设置 | 第119页 |
| 7.4.2 实验方法对比分析 | 第119-127页 |
| 7.4.2.1 UIUC 8数据库实验结果 | 第119-121页 |
| 7.4.2.2 Scene 15数据库实验结果 | 第121-122页 |
| 7.4.2.3 Caltech 101数据库实验分析 | 第122-126页 |
| 7.4.2.4 Caltech 256数据库实验分析 | 第126-127页 |
| 7.4.3 优化算法收敛性分析 | 第127页 |
| 7.4.4 联合图像对象区域及图像整体语义提取的图像分类方法 | 第127-128页 |
| 7.5 本章小结 | 第128-130页 |
| 第八章 总结与展望 | 第130-133页 |
| 8.1 本文工作总结 | 第130-132页 |
| 8.2 后续工作展望 | 第132-133页 |
| 致谢 | 第133-134页 |
| 参考文献 | 第134-144页 |
| 攻读博士学位期间取得的成果 | 第144-146页 |
