| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 多示例学习研究现状 | 第12-13页 |
| 1.2.2 多示例图像检索研究现状 | 第13-15页 |
| 1.3 论文的主要研究内容 | 第15页 |
| 1.4 论文结构 | 第15-17页 |
| 第二章 多示例学习基础知识 | 第17-28页 |
| 2.1 多示例学习的相关理论 | 第17-19页 |
| 2.1.1 多示例学习的数学模型 | 第17-18页 |
| 2.1.2 多示例学习与传统监督学习的关系 | 第18-19页 |
| 2.2 多示例问题的解决方案 | 第19-25页 |
| 2.2.1 基于轴平行矩形的多示例学习算法 | 第19-21页 |
| 2.2.2 基于多样性密度的多示例学习算法 | 第21-23页 |
| 2.2.3 DD-SVM算法 | 第23-25页 |
| 2.2.4 MILES算法 | 第25页 |
| 2.3 多示例学习的应用 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 图像检索基础知识 | 第28-43页 |
| 3.1 图像的视觉特征提取 | 第28-32页 |
| 3.1.1 RGB颜色特征提取 | 第28-29页 |
| 3.1.2 CIE Lab颜色特征提取 | 第29-31页 |
| 3.1.3 LBP纹理特征提取 | 第31-32页 |
| 3.2 K-means聚类和SLIC超像素分割 | 第32-36页 |
| 3.2.1 K-means聚类 | 第32-33页 |
| 3.2.2 基于SLIC的超像素图像区域分割 | 第33-36页 |
| 3.3 关键点定位方法 | 第36-42页 |
| 3.3.1 基于极值点的关键点选择 | 第36-38页 |
| 3.3.2 基于Hession矩阵的关键点选择 | 第38-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于区域映射与全概率模型的多示例图像检索方法 | 第43-53页 |
| 4.1 方法概述 | 第43页 |
| 4.2 基于关键点映射的包生成方法 | 第43-47页 |
| 4.2.1 关键点与超像素区域的映射 | 第43-46页 |
| 4.2.2 图像多示例包的生成 | 第46-47页 |
| 4.3 基于示例相关度的包特征生成方法 | 第47-52页 |
| 4.3.1 视觉语义库 | 第47-48页 |
| 4.3.2 基于全概率模型的多示例相关度计算理论 | 第48-49页 |
| 4.3.3 基于流行排序的显著程度计算方法 | 第49-51页 |
| 4.3.4 包特征的生成 | 第51-52页 |
| 4.4 支持向量机训练 | 第52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 多示例图像检索系统 | 第53-67页 |
| 5.1 检索系统设计 | 第53-55页 |
| 5.2 检索实验 | 第55-66页 |
| 5.2.1 评价指标 | 第55-56页 |
| 5.2.2 检索实验演示 | 第56-60页 |
| 5.2.3 Corel数据集上的对比实验 | 第60-63页 |
| 5.2.4 SIVAL数据集上的对比实验 | 第63-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 全文总结 | 第67页 |
| 6.2 以后的工作 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间的科研成果 | 第74页 |