| 摘要 | 第4-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第15-41页 |
| 1.1 课题研究背景与意义 | 第15-19页 |
| 1.1.1 海量图像面临检索需求 | 第15页 |
| 1.1.2 现有的图像检索技术 | 第15-16页 |
| 1.1.3 人工标注存在的问题 | 第16-17页 |
| 1.1.4 自动图像标注的意义 | 第17-19页 |
| 1.2 国内外研究进展 | 第19-21页 |
| 1.2.1 学术研究进展 | 第19-20页 |
| 1.2.2 工业应用进展 | 第20-21页 |
| 1.3 图像自动标注技术综述 | 第21-32页 |
| 1.3.1 图像特征提取与表示 | 第22-26页 |
| 1.3.2 语义标注 | 第26-28页 |
| 1.3.3 相关机器学习智能技术 | 第28-32页 |
| 1.4 图像自动标注研究存在的问题 | 第32-34页 |
| 1.4.1 不同特征的有效集成问题 | 第32页 |
| 1.4.2 图像之间相似性度量问题 | 第32-33页 |
| 1.4.3 图像不同模态的差异性和一致性问题 | 第33页 |
| 1.4.4 数据集标签分布不平衡问题 | 第33-34页 |
| 1.5 本文的研究内容与创新成果 | 第34-38页 |
| 1.5.1 基于距离约束稀疏/组稀疏编码的特征选择与图像标注 | 第35页 |
| 1.5.2 基于多视图混合范数稀疏编码的图像自动标注 | 第35-36页 |
| 1.5.3 基于多视图联合稀疏/核稀疏编码的图像自动标注 | 第36-37页 |
| 1.5.4 混合局部距离和结构稀疏约束的多视图图像自动标注 | 第37-38页 |
| 1.6 本文的组织结构 | 第38-41页 |
| 第二章 基于距离约束稀疏/组稀疏编码的特征选择与图像标注 | 第41-55页 |
| 2.1 引言 | 第41-43页 |
| 2.2 相关工作 | 第43-45页 |
| 2.2.1 传统的特征选择 | 第43-44页 |
| 2.2.2 基于稀疏编码的特征选择 | 第44页 |
| 2.2.3 基于组稀疏编码的特征选择 | 第44-45页 |
| 2.3 基于稀疏编码与距离约束的特征选择 | 第45-47页 |
| 2.3.1 基于DCSC的图像特征选择 | 第45-46页 |
| 2.3.2 基于DCGSC的图像特征选择 | 第46-47页 |
| 2.4 基于DCSC/DCGSC的图像自动标注 | 第47-48页 |
| 2.5 实验与分析 | 第48-54页 |
| 2.5.1 实验设置 | 第48-49页 |
| 2.5.2 评价指标 | 第49-50页 |
| 2.5.3 基于各种单一特征的DCSC标注性能分析 | 第50-52页 |
| 2.5.4 集成多特征的DCSC/DCGSC标注性能分析 | 第52页 |
| 2.5.5 基于DCGSC的部分自动标注结果 | 第52-54页 |
| 2.6 本章小结 | 第54-55页 |
| 第三章 基于多视图混合范数稀疏编码的图像自动标注 | 第55-71页 |
| 3.1 引言 | 第55-56页 |
| 3.2 相关工作 | 第56-59页 |
| 3.2.1 基于稀疏重构的图像自动标注 | 第56-57页 |
| 3.2.2 基于字典学习的图像自动标注 | 第57-58页 |
| 3.2.3 基于多视图学习的图像自动标注 | 第58-59页 |
| 3.3 本文方法 | 第59-63页 |
| 3.3.1 多视图混合范数稀疏表示模型 | 第59页 |
| 3.3.2 目标函数优化 | 第59-63页 |
| 3.3.3 标签预测 | 第63页 |
| 3.4 实验与分析 | 第63-68页 |
| 3.4.1 实验设置 | 第63-65页 |
| 3.4.2 基于MvMnSC的部分自动标注结果 | 第65页 |
| 3.4.3 基于MvMnSC的图像自动标注性能分析 | 第65-68页 |
| 3.4.4 参数敏感性分析 | 第68页 |
| 3.5 本章小结 | 第68-71页 |
| 第四章 基于多视图联合稀疏编码的图像自动标注 | 第71-91页 |
| 4.1 引言 | 第71-73页 |
| 4.2 相关工作 | 第73-75页 |
| 4.2.1 基于联合稀疏编码的图像分类 | 第73-74页 |
| 4.2.2 核稀疏表示 | 第74-75页 |
| 4.3 多视图联合稀疏编码的图像自动标注 | 第75-78页 |
| 4.3.1 多视图联合稀疏编码模型 | 第75-76页 |
| 4.3.2 目标函数优化 | 第76-77页 |
| 4.3.3 标签预测 | 第77-78页 |
| 4.4 核空间多视图联合稀疏编码的图像自动标注 | 第78-82页 |
| 4.4.1 基于核空间的多视图联合稀疏编码模型 | 第78页 |
| 4.4.2 目标函数优化 | 第78-81页 |
| 4.4.3 标签预测 | 第81-82页 |
| 4.4.4 算法复杂度分析 | 第82页 |
| 4.5 实验与分析 | 第82-90页 |
| 4.5.1 实验设置 | 第82-84页 |
| 4.5.2 基于MvJSC/KMvJSC的图像自动标注性能分析 | 第84-85页 |
| 4.5.3 基于KMvJSC的部分自动标注结果 | 第85-87页 |
| 4.5.4 参数敏感性分析 | 第87-88页 |
| 4.5.6 标签传播方法的比较 | 第88-90页 |
| 4.6 本章小结 | 第90-91页 |
| 第五章 混合局部距离和结构稀疏约束的多视图图像自动标注 | 第91-109页 |
| 5.1 引言 | 第91-92页 |
| 5.2 相关工作 | 第92-95页 |
| 5.2.1 基于结构稀疏性的多视图学习 | 第92-93页 |
| 5.2.2 深度卷积神经网络CNN | 第93-95页 |
| 5.3 提出的方法 | 第95-103页 |
| 5.3.1 混合局部距离和结构稀疏约束的多视图图像标注模型 | 第95-97页 |
| 5.3.2 目标函数优化 | 第97-101页 |
| 5.3.3 标签预测 | 第101-102页 |
| 5.3.4 算法复杂度分析 | 第102页 |
| 5.3.5 特征 | 第102-103页 |
| 5.4 实验与分析 | 第103-108页 |
| 5.4.1 实验设置 | 第104页 |
| 5.4.2 基于MvMLS2的部分自动标注结果 | 第104页 |
| 5.4.3 基于MvMLS2的图像自动标注性能分析 | 第104-107页 |
| 5.4.4 参数敏感性分析 | 第107-108页 |
| 5.5 本章小结 | 第108-109页 |
| 第六章 总结与展望 | 第109-113页 |
| 6.1 论文总结 | 第109-110页 |
| 6.2 研究展望 | 第110-113页 |
| 附录 缩略语说明 | 第113-115页 |
| 参考文献 | 第115-129页 |
| 致谢 | 第129-131页 |
| 博士在读期间发表学术成果 | 第131页 |
