图像标注算法研究及其在Hadoop平台上的实现
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题研究的背景及意义 | 第10-11页 |
| 1.3 相关领域的国内外研究现状 | 第11-15页 |
| 1.3.1 基于生成模型的标注算法 | 第12-14页 |
| 1.3.2 基于判别模型的标注算法 | 第14-15页 |
| 1.3.3 基于最近邻的标注算法 | 第15页 |
| 1.4 本文的主要研究内容和组织结构 | 第15-17页 |
| 1.4.1 本文的主要研究内容 | 第15-16页 |
| 1.4.2 本文的结构安排 | 第16-17页 |
| 第2章 相关研究 | 第17-36页 |
| 2.1 图像特征 | 第17-23页 |
| 2.1.1 颜色特征 | 第17-21页 |
| 2.1.2 纹理特征 | 第21-23页 |
| 2.2 尺度不变特征变换 | 第23-27页 |
| 2.2.1 尺度空间极值点检测 | 第24-25页 |
| 2.2.2 定位准确的关键点 | 第25-26页 |
| 2.2.3 分配方向 | 第26页 |
| 2.2.4 局部图像描述子 | 第26-27页 |
| 2.3 图像分割 | 第27-31页 |
| 2.3.1 基于网格的图像分割 | 第28页 |
| 2.3.2 归一化分割 | 第28-30页 |
| 2.3.3 Mean-Shift算法 | 第30页 |
| 2.3.4 实验结果与分析 | 第30-31页 |
| 2.4 视觉词袋 | 第31-34页 |
| 2.5 图像标注评价标准 | 第34-35页 |
| 2.5.1 基于标注词的评价标准 | 第34-35页 |
| 2.5.2 基于图像的评价标准 | 第35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 基于正反例学习的图像标注 | 第36-49页 |
| 3.1 图像标注基线方法 | 第36-41页 |
| 3.1.1 特征提取 | 第36-39页 |
| 3.1.2 距离测量 | 第39-40页 |
| 3.1.3 标注词排序 | 第40页 |
| 3.1.4 实验结果与分析 | 第40-41页 |
| 3.2 基于正反例学习的图像标注 | 第41-44页 |
| 3.2.1 特征提取 | 第41-42页 |
| 3.2.2 视觉词袋直方图 | 第42-43页 |
| 3.2.3 标注词向量 | 第43-44页 |
| 3.2.4 实验结果与分析 | 第44页 |
| 3.3 改进的正反例学习 | 第44-48页 |
| 3.3.1 过滤器 | 第45-46页 |
| 3.3.2 距离测量 | 第46-47页 |
| 3.3.3 实验结果与分析 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 基于Hadoop平台的图像标注 | 第49-65页 |
| 4.1 Hadoop平台 | 第49-51页 |
| 4.1.1 基本思想 | 第49-50页 |
| 4.1.2 HDFS | 第50-51页 |
| 4.1.3 Mapreduce框架 | 第51页 |
| 4.2 LDA算法 | 第51-59页 |
| 4.2.1 基本思想 | 第52页 |
| 4.2.2 数学模型 | 第52-55页 |
| 4.2.3 参数推导 | 第55-59页 |
| 4.3 基于LDA的图像标注 | 第59-61页 |
| 4.3.1 图像数据集 | 第59页 |
| 4.3.2 图像分割 | 第59-60页 |
| 4.3.3 矢量量化 | 第60页 |
| 4.3.4 训练LDA模型 | 第60页 |
| 4.3.5 实验结果与分析 | 第60-61页 |
| 4.4 基于BHF-LDA的图像标注 | 第61-64页 |
| 4.4.1 基本思想 | 第61-62页 |
| 4.4.2 MapReduce函数设计 | 第62-63页 |
| 4.4.3 实验结果与分析 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 全文工作总结 | 第65页 |
| 5.2 下一步工作展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录 攻读学位期间取得的研究成果 | 第72页 |
