基于深度学习的跨模态检索
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-30页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外跨模态检索的研究现状 | 第13-16页 |
| 1.3 跨模态检索的发展趋势 | 第16-20页 |
| 1.4 研究内容和主要贡献 | 第20-22页 |
| 1.5 论文组织结构 | 第22页 |
| 参考文献 | 第22-30页 |
| 第二章 基于语义一致性的跨模态检索 | 第30-50页 |
| 2.1 语义模态的作用 | 第30-32页 |
| 2.2 相关工作 | 第32-37页 |
| 2.2.1 CCA和DCCA的背景 | 第32-33页 |
| 2.2.2 语义信息的提取方法 | 第33-36页 |
| 2.2.3 语义信息的结合方式 | 第36-37页 |
| 2.3 语义模态的提取 | 第37-42页 |
| 2.3.1 类别标签 | 第37-38页 |
| 2.3.2 语义一致性分析 | 第38-39页 |
| 2.3.3 超图语义 | 第39-41页 |
| 2.3.4 局部近邻和局部保持 | 第41-42页 |
| 2.4 实验结果与分析 | 第42-46页 |
| 2.4.1 数据集与评价标准 | 第43-44页 |
| 2.4.2 不同方法间的比较 | 第44-45页 |
| 2.4.3 局部近邻特征维度的影响 | 第45-46页 |
| 2.5 本章小结 | 第46页 |
| 参考文献 | 第46-50页 |
| 第三章 自编码CCA及递进神经网络框架 | 第50-72页 |
| 3.1 引言 | 第50-51页 |
| 3.2 自编码CCA | 第51-55页 |
| 3.2.1 模型结构 | 第52页 |
| 3.2.2 模型优化 | 第52-54页 |
| 3.2.3 实验结果及分析 | 第54-55页 |
| 3.3 递进神经网络框架 | 第55-66页 |
| 3.3.1 基本描述 | 第55-56页 |
| 3.3.2 应用一:类别标签约束的递进网络 | 第56-59页 |
| 3.3.3 应用二:超图语义约束的递进网络 | 第59-65页 |
| 3.3.4 应用三:排序学习 | 第65-66页 |
| 3.4 本章小结 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 第四章 基于度量优化的跨模态检索 | 第72-86页 |
| 4.1 引言 | 第72-73页 |
| 4.2 相关工作 | 第73-75页 |
| 4.2.1 手工设计的度量方式 | 第73页 |
| 4.2.2 度量学习 | 第73-75页 |
| 4.3 基于检索的相似度度量 | 第75-76页 |
| 4.4 跨模态的度量学习 | 第76-80页 |
| 4.4.1 LMNN的迁移学习 | 第76-77页 |
| 4.4.2 LSSL的迁移学习 | 第77-80页 |
| 4.5 实验结果与分析 | 第80-82页 |
| 4.5.1 基于检索的相似度度量 | 第80-81页 |
| 4.5.2 LMNN和LSSL | 第81-82页 |
| 4.6 本章小结 | 第82页 |
| 参考文献 | 第82-86页 |
| 第五章 跨模态检索综合模型及应用 | 第86-116页 |
| 5.1 无监督模型ICCA | 第86-93页 |
| 5.1.1 ICCA模型结构 | 第86-88页 |
| 5.1.2 实验结果与分析 | 第88-93页 |
| 5.2 有监督模型TSDL | 第93-102页 |
| 5.2.1 第一阶段学习 | 第94-95页 |
| 5.2.2 第二阶段学习 | 第95-96页 |
| 5.2.3 实验结果与分析 | 第96-102页 |
| 5.3 微软必应图像检索竞赛 | 第102-111页 |
| 5.3.1 相关工作 | 第102-103页 |
| 5.3.2 多模型融合的跨模态检索框架 | 第103-109页 |
| 5.3.3 实验结果与分析 | 第109-111页 |
| 5.4 小结 | 第111页 |
| 参考文献 | 第111-116页 |
| 第六章 结束语 | 第116-118页 |
| 6.1 论文总结 | 第116-117页 |
| 6.2 下一步工作展望 | 第117-118页 |
| 致谢 | 第118-120页 |
| 攻读博士学位期间的研究成果 | 第120页 |
