| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究历史和现状 | 第10-12页 |
| 1.2.1 图像检索历史和现状 | 第10-11页 |
| 1.2.2 深度学习历史及现状 | 第11-12页 |
| 1.3 课题来源 | 第12页 |
| 1.4 本文研究内容 | 第12-13页 |
| 1.5 本文结构 | 第13-15页 |
| 第2章 相关技术介绍 | 第15-27页 |
| 2.1 基于内容的图像检索技术基础内容 | 第15-17页 |
| 2.1.1 基于内容的图像检索系统基本结构 | 第15-16页 |
| 2.1.2 传统图像特征提取 | 第16-17页 |
| 2.2 深度学习相关研究 | 第17-24页 |
| 2.2.1 基于深度学习的特征表达 | 第17-18页 |
| 2.2.2 深度学习概述 | 第18页 |
| 2.2.3 深度学习模型的基本构成 | 第18-20页 |
| 2.2.4 深度学习研究现状 | 第20-23页 |
| 2.2.5 神经网络损失函数 | 第23-24页 |
| 2.3 本章小结 | 第24-27页 |
| 第3章 基于图像自编码的神经网络特征学习 | 第27-43页 |
| 3.1 基于图像自编码的神经网络学习模型分析与提出 | 第27-30页 |
| 3.1.1 神经网络特征表达关键因素分析 | 第27-28页 |
| 3.1.2 基于自编码的神经网络特征学习模型提出 | 第28-30页 |
| 3.2 基于传统自编码的隐含变量表达模块 | 第30-34页 |
| 3.2.1 概率模型角度分析 | 第30-31页 |
| 3.2.2 神经网络角度分析 | 第31-34页 |
| 3.3 基于变分贝叶斯自编码模型的隐含变量表达模块 | 第34-39页 |
| 3.3.1 神经网络角度分析 | 第34-37页 |
| 3.3.2 概率模型角度分析 | 第37-39页 |
| 3.4 卷积神经网络特征学习模型模块 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 实验结果分析及现象讨论 | 第43-61页 |
| 4.1 图库介绍 | 第43-44页 |
| 4.2 评价标准 | 第44-45页 |
| 4.3 训练过程 | 第45-46页 |
| 4.4 实验细节 | 第46-47页 |
| 4.5 检索实验结果及分析 | 第47-55页 |
| 4.5.1 不同策略神经网络训练检索结果分析 | 第48-50页 |
| 4.5.2 与其他神经网络模型检索结果对比分析 | 第50-55页 |
| 4.6 聚类实验结果分析 | 第55-57页 |
| 4.7 可视化分析 | 第57-59页 |
| 4.8 稀疏现象分析 | 第59页 |
| 4.9 本章小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间的研究成果 | 第69-71页 |
| 致谢 | 第71页 |