面向互联网社会化图像的标签优化算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-24页 |
| ·研究背景 | 第10-15页 |
| ·研究的关键问题及现状 | 第15-18页 |
| ·研究的关键问题及难点 | 第15-16页 |
| ·国内外研究现状 | 第16-18页 |
| ·研究的主要内容及创新点 | 第18-21页 |
| ·论文的组织结构 | 第21-24页 |
| 第2章 研究基础及相关工作 | 第24-38页 |
| ·图像视觉内容及其特征表示 | 第24-28页 |
| ·颜色和纹理特征 | 第24-25页 |
| ·SIFT特征 | 第25-26页 |
| ·CPAM特征 | 第26-28页 |
| ·相似性度量方式 | 第28-31页 |
| ·推土机距离 | 第29-30页 |
| ·Hausdorff距离 | 第30-31页 |
| ·聚类算法 | 第31-33页 |
| ·K均值及K中心点聚类算法 | 第31-32页 |
| ·AP聚类算法 | 第32-33页 |
| ·常用数据集简介 | 第33-36页 |
| ·本章小结 | 第36-38页 |
| 第3章 基于多层聚类的图像标签优化算法 | 第38-58页 |
| ·引言 | 第38-39页 |
| ·本章算法描述 | 第39-50页 |
| ·粗粒度聚类 | 第41-44页 |
| ·细粒度聚类 | 第44-48页 |
| ·标签的净化 | 第48-50页 |
| ·本章实验 | 第50-55页 |
| ·实验准备 | 第50-52页 |
| ·实验结果及分析 | 第52-55页 |
| ·本章小结 | 第55-58页 |
| 第4章 基于正则化最优方法的图像标签优化算法 | 第58-74页 |
| ·引言 | 第58-59页 |
| ·本章算法描述 | 第59-66页 |
| ·非负矩阵分解 | 第60-62页 |
| ·图像的整体视觉离散度 | 第62-63页 |
| ·正则化项 | 第63页 |
| ·优化问题的求解 | 第63-65页 |
| ·标签的完备 | 第65-66页 |
| ·本章实验 | 第66-71页 |
| ·评价指标与对比算法 | 第66-67页 |
| ·测试图像集 | 第67-68页 |
| ·实验结果及分析 | 第68-71页 |
| ·本章小结 | 第71-74页 |
| 第5章 基于语义本体和近邻投票的图像标签优化算法 | 第74-90页 |
| ·引言 | 第74-75页 |
| ·本章算法描述 | 第75-83页 |
| ·语义本体的构建 | 第75-78页 |
| ·标签上下文 | 第78-80页 |
| ·图像上下文 | 第80-82页 |
| ·抽象标签的精化 | 第82-83页 |
| ·本章实验 | 第83-89页 |
| ·实验准备 | 第84-85页 |
| ·实验评价指标 | 第85-86页 |
| ·实验结果及分析 | 第86-89页 |
| ·本章小结 | 第89-90页 |
| 第6章 基于多示例学习的图像标签优化算法 | 第90-110页 |
| ·引言 | 第90-91页 |
| ·多示例学习 | 第91-93页 |
| ·多样性密度算法 | 第92-93页 |
| ·本章算法描述 | 第93-100页 |
| ·多尺度示例生成 | 第95-97页 |
| ·初始点选择 | 第97-98页 |
| ·多样性密度加速计算 | 第98-99页 |
| ·边界检测 | 第99-100页 |
| ·标签与图像区域的对应 | 第100页 |
| ·本章实验 | 第100-107页 |
| ·实验准备 | 第100-101页 |
| ·实验结果及分析 | 第101-107页 |
| ·本章小结 | 第107-110页 |
| 第7章 总结与展望 | 第110-114页 |
| ·论文总结 | 第110-112页 |
| ·进一步研究及展望 | 第112-114页 |
| 参考文献 | 第114-126页 |
| 致谢 | 第126-128页 |
| 攻读博士学位期间发表的学术论文和参加科研情况 | 第128-130页 |
