基于深度学习的图像检索技术的研究
| 中文摘要 | 第2-3页 |
| ABSTRACT | 第3页 |
| 中文文摘 | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 基于深度学习的图像检索技术研究现状 | 第13-14页 |
| 1.4 本文主要工作及结构安排 | 第14-15页 |
| 第二章 基于内容的图像检索关键技术 | 第15-22页 |
| 2.1 基于颜色特征的图像检索 | 第15-17页 |
| 2.1.1 颜色直方图 | 第15页 |
| 2.1.2 颜色矩 | 第15-16页 |
| 2.1.3 分块提取颜色特征 | 第16-17页 |
| 2.2 基于纹理特征的图像检索 | 第17-20页 |
| 2.2.1 灰度共生矩阵 | 第17-19页 |
| 2.2.2 LBP描述算子 | 第19-20页 |
| 2.3 基于SIFT关键点的图像检索 | 第20页 |
| 2.4 相似性度量 | 第20-21页 |
| 2.5 本章小节 | 第21-22页 |
| 第三章 深度学习关键技术 | 第22-45页 |
| 3.1 人工神经网络 | 第23-34页 |
| 3.1.1 人工神经网络的发展 | 第23-24页 |
| 3.1.2 人工神经网络模型 | 第24-27页 |
| 3.1.3 学习算法 | 第27-31页 |
| 3.1.4 Softmax回归 | 第31-34页 |
| 3.2 栈式自编码神经网络 | 第34-40页 |
| 3.2.1 自编码模型 | 第34-35页 |
| 3.2.2 稀疏性 | 第35-36页 |
| 3.2.3 栈式自编码神经网络 | 第36-40页 |
| 3.3 卷积神经网络 | 第40-43页 |
| 3.3.1 卷积神经网络结构与权值共亨 | 第40-42页 |
| 3.3.2 分层无监督特征学习 | 第42-43页 |
| 3.3.3 卷积神经网络的训练 | 第43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于栈式自编码神经网络的图像检索 | 第45-59页 |
| 4.1 图像预处理 | 第45页 |
| 4.2 本文采用的栈式自编码神经模型 | 第45-48页 |
| 4.2.1 网络模型的构建 | 第46-47页 |
| 4.2.2 学习算法 | 第47-48页 |
| 4.3 特征提取与匹配 | 第48-51页 |
| 4.3.1 特征提取 | 第48-51页 |
| 4.3.2 特征匹配 | 第51页 |
| 4.4 实验结果 | 第51-56页 |
| 4.5 本章小结 | 第56-59页 |
| 第五章 基于卷积神经网络的图像检索 | 第59-73页 |
| 5.1 图像预处理 | 第59页 |
| 5.2 本文所采用的卷积神经网络模型及其训练过程 | 第59-63页 |
| 5.2.1 网络模型一(Cnn-1) | 第60-61页 |
| 5.2.2 网络模型二(Cnn-2) | 第61-62页 |
| 5.2.3 网络模型一的优化 | 第62页 |
| 5.2.4 学习算法 | 第62-63页 |
| 5.3 特征提取与匹配 | 第63-65页 |
| 5.3.1 特征提取 | 第63-65页 |
| 5.3.2 特征匹配 | 第65页 |
| 5.4 实验结果 | 第65-71页 |
| 5.4.1 Cnn-1在图像库上的实验结果 | 第66页 |
| 5.4.2 Cnn-2在图像库上的实验结果 | 第66-67页 |
| 5.4.3 优化的Cnn-1在图像库上的实验结果 | 第67-68页 |
| 5.4.4 实验结果对比 | 第68-71页 |
| 5.5 本章小结 | 第71-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文的主要工作 | 第73-74页 |
| 6.1.1 本文的基础性工作 | 第73页 |
| 6.1.2 本文的创新性工作 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 攻读学位期间承担的科研任务与主要成果 | 第78-79页 |
| 个人简历 | 第79-80页 |
| 致谢 | 第80-82页 |
