| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第8-15页 |
| 1.1 本文研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 面向社会化标注图像的单类别预测 | 第9-10页 |
| 1.2.2 面向类别预测的图像特征体系 | 第10-12页 |
| 1.2.3 大规模数据条件下图像类别预测 | 第12-13页 |
| 1.3 本文研究工作概述 | 第13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第二章 面向社会化标注图像的单类别预测 | 第15-32页 |
| 2.1 图像视觉特征提取与相似性定义 | 第15-20页 |
| 2.1.1 基于网格的颜色直方图特征 | 第15-18页 |
| 2.1.2 全局Gabor纹理特征 | 第18-19页 |
| 2.1.3 SURF特征 | 第19-20页 |
| 2.2 图像文本特征的提取和相似性定义 | 第20-22页 |
| 2.2.1 语义概念相似性 | 第21-22页 |
| 2.2.2 共现相似性 | 第22页 |
| 2.3 单类别预测方法 | 第22-28页 |
| 2.3.1 相似性的融合 | 第22-23页 |
| 2.3.2 正负样本划分方法 | 第23-26页 |
| 2.3.3 KNN预测算法 | 第26-28页 |
| 2.4 实验与分析 | 第28-31页 |
| 2.4.1 数据集与评价标准 | 第28-29页 |
| 2.4.2 实验结果与分析 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 面向多类预测任务的视觉特征体系 | 第32-50页 |
| 3.1 BOVW模型 | 第32-33页 |
| 3.1.1 文本信息处理中的BOW模型 | 第32-33页 |
| 3.1.2 BOVW模型应用于图像 | 第33页 |
| 3.2 BOVW特征的提取 | 第33-37页 |
| 3.2.1 BOVW特征提取流程 | 第33-35页 |
| 3.2.2 聚类训练算法的选择 | 第35-37页 |
| 3.3 加速Hierarchical K-means算法 | 第37-42页 |
| 3.3.1 加速K-means算法 | 第37-40页 |
| 3.3.2 K-means算法初始点选择 | 第40-42页 |
| 3.4 算法实现优化 | 第42-43页 |
| 3.5 对比实验 | 第43-49页 |
| 3.5.1 加速K-means算法对比实验 | 第43-46页 |
| 3.5.2 Hierarchical K-means算法对比实验 | 第46-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 面向网购平台的商品图像类别预测 | 第50-63页 |
| 4.1 SVM分类器与核函数的选择 | 第50-51页 |
| 4.2 多类预测模型 | 第51-57页 |
| 4.2.1 非层次结构的多类预测模型 | 第52页 |
| 4.2.2 自顶向下的层次类别预测模型 | 第52-55页 |
| 4.2.3 基于双败思想的自底向上层次类别预测模型 | 第55-57页 |
| 4.3 实验与分析 | 第57-62页 |
| 4.3.1 数据集的定义与类别预测指标 | 第57-59页 |
| 4.3.2 实验结果与分析 | 第59-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 总结和展望 | 第63-65页 |
| 5.1 总结 | 第63页 |
| 5.2 未来的方向 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读学位期间参加的科研项目与发表的论文 | 第69-70页 |
| 致谢 | 第70-71页 |
