基于深度学习的图像相似度度量及应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 深度学习研究现状 | 第9-10页 |
| 1.2.2 图像相似度度量研究现状 | 第10-11页 |
| 1.3 本文研究内容 | 第11-13页 |
| 1.3.1 研究目标 | 第11页 |
| 1.3.2 研究内容 | 第11-12页 |
| 1.3.3 创新点 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第2章 相关工作综述 | 第14-39页 |
| 2.1 深度卷积神经网络 | 第14-27页 |
| 2.1.1 基本结构 | 第14-23页 |
| 2.1.2 网络模型 | 第23-27页 |
| 2.2 SIFT特征和HSV颜色空间 | 第27-31页 |
| 2.2.1 SIFT特征 | 第28-30页 |
| 2.2.2 HSV颜色空间 | 第30-31页 |
| 2.3 分类算法 | 第31-35页 |
| 2.3.1 K近邻 | 第31-32页 |
| 2.3.2 支持向量机 | 第32-34页 |
| 2.3.3 随机森林 | 第34-35页 |
| 2.4 图像相似度度量 | 第35-38页 |
| 2.4.1 距离度量 | 第35-37页 |
| 2.4.2 相关度量 | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 基于深度表征的商标图像分类 | 第39-54页 |
| 3.1 商标图像分类现状分析 | 第39-40页 |
| 3.2 算法概述 | 第40-44页 |
| 3.2.1 数据准备 | 第41-42页 |
| 3.2.2 模型训练 | 第42-43页 |
| 3.2.3 特征提取 | 第43页 |
| 3.2.4 相似度度量 | 第43-44页 |
| 3.3 实验过程 | 第44页 |
| 3.4 实验结果 | 第44-53页 |
| 3.4.1 Logo-405结果分析 | 第45-49页 |
| 3.4.2 FlickrLogo-32结果分析 | 第49-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第4章 基于视网膜和脉络膜的多光谱眼底图像群配准 | 第54-66页 |
| 4.1 问题描述 | 第54-56页 |
| 4.2 图像配准现状分析 | 第56-57页 |
| 4.3 算法概述 | 第57-63页 |
| 4.3.1 基于SIFT特征的群配准 | 第58-61页 |
| 4.3.2 基于深度学习度量的群配准 | 第61-63页 |
| 4.4 实验过程 | 第63-64页 |
| 4.5 实验结果 | 第64-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第5章 总结与展望 | 第66-67页 |
| 5.1 本文内容总结 | 第66页 |
| 5.2 下一步工作 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72页 |
