基于深度学习的大规模图像自动标注方法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 课题来源及意义 | 第15页 |
| 1.2 课题研究背景 | 第15-18页 |
| 1.3 本文研究内容及安排 | 第18-20页 |
| 第二章 图像自动标注研究综述 | 第20-35页 |
| 2.1 引言 | 第20页 |
| 2.2 图像标注的基本框架 | 第20-21页 |
| 2.3 图像标注常用方法 | 第21-22页 |
| 2.3.1 传统方法 | 第21-22页 |
| 2.3.2 深度学习方法 | 第22页 |
| 2.4 深度学习 | 第22-32页 |
| 2.5 图像标注常见评价指标 | 第32-33页 |
| 2.6 本章小结 | 第33-35页 |
| 第三章 基于卷积神经网络的大规模图像自动标注 | 第35-51页 |
| 3.1 引言 | 第35-36页 |
| 3.2 图像标注模型的构建和训练 | 第36-40页 |
| 3.2.1 CNN基本结构 | 第36-37页 |
| 3.2.2 CNN训练过程 | 第37页 |
| 3.2.3 本文模型构建 | 第37-38页 |
| 3.2.4 数据增强和模型训练 | 第38-40页 |
| 3.3 多任务投票机制和标签随机化 | 第40-45页 |
| 3.3.1 数据预处理 | 第40页 |
| 3.3.2 多任务学习 | 第40-41页 |
| 3.3.3 训练集图片筛选 | 第41-42页 |
| 3.3.4 图像特征选择 | 第42-44页 |
| 3.3.5 标签随机化 | 第44-45页 |
| 3.4 实验结果与分析 | 第45-50页 |
| 3.4.1 数据集及实验设置 | 第45-46页 |
| 3.4.2 实验结果对比与分析 | 第46-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于双深度学习模型的图像自动标注 | 第51-65页 |
| 4.1 引言 | 第51页 |
| 4.2 目标检测常见方法 | 第51-55页 |
| 4.3 双深度模型的构建 | 第55-56页 |
| 4.3.1 模型的选择及训练 | 第55页 |
| 4.3.2 海量数据处理效率问题 | 第55-56页 |
| 4.4 协同训练和合作训练 | 第56-58页 |
| 4.4.1 协同训练 | 第56-57页 |
| 4.4.2 合作训练及优化算法 | 第57-58页 |
| 4.5 实验结果与分析 | 第58-63页 |
| 4.5.1 数据集及实验设置 | 第58-59页 |
| 4.5.2 实验结果对比及分析 | 第59-63页 |
| 4.6 本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第72-73页 |
