真实世界环境下的自动图像标注方法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-15页 |
| 图目录 | 第15-17页 |
| 表目录 | 第17-19页 |
| 第1章 绪论 | 第19-29页 |
| ·研究背景与研究意义 | 第19-23页 |
| ·研究背景 | 第19-22页 |
| ·研究意义 | 第22-23页 |
| ·关键问题与研究任务 | 第23-26页 |
| ·关键问题 | 第23-24页 |
| ·研究任务 | 第24-26页 |
| ·研究内容与结构安排 | 第26-29页 |
| 第2章 自动图像标注研究现状 | 第29-35页 |
| ·总体研究状况 | 第29-31页 |
| ·基于统计分类的自动图像标注方法 | 第31页 |
| ·基于贝叶斯统计的自动图像标注方法 | 第31-33页 |
| ·基于主题模型的自动图像标注方法 | 第33页 |
| ·基于图模型的自动图像标注方法 | 第33页 |
| ·基于搜索的自动图像标注方法 | 第33-34页 |
| ·其它方法 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第3章 基于大规模学习算法的自动图像标注 | 第35-83页 |
| ·引言 | 第35-37页 |
| ·大规模距离尺度学习算法 | 第37-49页 |
| ·研究动机 | 第37-38页 |
| ·区分性距离尺度学习算法 | 第38-41页 |
| ·大规模区分性距离尺度学习算法 | 第41-42页 |
| ·集成距离尺度学习算法ADML Ⅰ | 第42-43页 |
| ·ADML Ⅰ的渐进性质 | 第43-45页 |
| ·改进的集成距离尺度学习算法ADML Ⅱ | 第45-46页 |
| ·ADML Ⅱ的渐进性质 | 第46-47页 |
| ·时间和空间复杂度分析 | 第47-49页 |
| ·大规模距离尺度学习算法实验结果 | 第49-59页 |
| ·人工数据的实验 | 第49页 |
| ·自动图像标注实验 | 第49-59页 |
| ·大规模支持向量机算法 | 第59-71页 |
| ·相关工作 | 第59-61页 |
| ·支持向量机 | 第61页 |
| ·集成线性支持向量机 | 第61-62页 |
| ·使用不同的损失函数 | 第62-65页 |
| ·渐进性质 | 第65-66页 |
| ·使用Mercer核 | 第66-68页 |
| ·考虑偏差项 | 第68-70页 |
| ·复杂性分析 | 第70-71页 |
| ·大规模支持向量机算法实验结果 | 第71-81页 |
| ·人工数据实验 | 第72-73页 |
| ·真实世界数据集介绍 | 第73页 |
| ·集成支持向量机的性能 | 第73-77页 |
| ·集成支持向量机的效率与可扩展性 | 第77-81页 |
| ·本章小结 | 第81-83页 |
| 第4章 基于二部图加强模型的网络图像标注方法 | 第83-103页 |
| ·引言 | 第83-84页 |
| ·二部图加强模型框架 | 第84-85页 |
| ·候选标注提取 | 第85-87页 |
| ·初始标注提取 | 第86页 |
| ·扩展标注提取 | 第86-87页 |
| ·候选标注排序 | 第87-89页 |
| ·初始标注排序 | 第87-88页 |
| ·扩展标注排序 | 第88-89页 |
| ·二部图建立与加强学习 | 第89-91页 |
| ·二部图构建 | 第89-90页 |
| ·加强学习算法 | 第90页 |
| ·算法收敛性分析 | 第90-91页 |
| ·与HITS算法的比较 | 第91页 |
| ·基于BGRM的图像标注选择策略 | 第91-93页 |
| ·Top N策略 | 第91-92页 |
| ·阈值策略 | 第92页 |
| ·改进的阈值策略 | 第92页 |
| ·标注结果综合 | 第92-93页 |
| ·实验结果 | 第93-100页 |
| ·实验数据 | 第93页 |
| ·实验评价 | 第93-94页 |
| ·初始标注排序的性能 | 第94-95页 |
| ·扩展标注排序的性能 | 第95-97页 |
| ·最终标注的性能 | 第97-98页 |
| ·BGRM的有效性 | 第98-100页 |
| ·图像检索的性能 | 第100页 |
| ·图像标注举例 | 第100页 |
| ·本章小结 | 第100-103页 |
| 第5章 跨语言图像标注 | 第103-123页 |
| ·引言 | 第103-105页 |
| ·相关工作 | 第105-106页 |
| ·跨语言图像标注框架 | 第106-108页 |
| ·基于统计的图像标注模型 | 第108-111页 |
| ·聚类 | 第108-109页 |
| ·聚类建模 | 第109-110页 |
| ·个人图像标注模型 | 第110页 |
| ·网络图像标注模型 | 第110-111页 |
| ·标注重排序 | 第111页 |
| ·多语言标注融合 | 第111-115页 |
| ·多语言标注的关系 | 第112页 |
| ·多语言标注的翻译 | 第112-113页 |
| ·多语言标注的排序 | 第113页 |
| ·基于N部图模型的多语言标注融合 | 第113-115页 |
| ·实验结果 | 第115-122页 |
| ·实验设置 | 第115-116页 |
| ·网络图像标注实验 | 第116-120页 |
| ·个人图像标注实验 | 第120-122页 |
| ·基于统计的图像标注方法实验 | 第122页 |
| ·本章小结 | 第122-123页 |
| 第6章 基于优化的图像标注改善 | 第123-135页 |
| ·引言 | 第123-125页 |
| ·图像标注改善 | 第125-131页 |
| ·优化模型 | 第126页 |
| ·标注的语义先验概率与联合概率 | 第126-128页 |
| ·数字优化模型 | 第128页 |
| ·数字优化模型的快速算法 | 第128-130页 |
| ·不同搜索行为的标签改善 | 第130-131页 |
| ·实验结果 | 第131-134页 |
| ·实验设置 | 第131页 |
| ·有标签图像的标注改善 | 第131-132页 |
| ·无标签图像的标注改善 | 第132-133页 |
| ·无标签图像的标注个性化改善 | 第133-134页 |
| ·本章小结 | 第134-135页 |
| 第7章 自动图像标注在图像检索中的应用 | 第135-151页 |
| ·引言 | 第135-136页 |
| ·图像收集与表示 | 第136-140页 |
| ·图像数据库 | 第137页 |
| ·图像表示 | 第137-138页 |
| ·实验结果 | 第138-140页 |
| ·图像排序 | 第140-148页 |
| ·引言 | 第140-142页 |
| ·SocialRank | 第142-146页 |
| ·实验结果 | 第146-148页 |
| ·图像检索演示系统展示 | 第148页 |
| ·本章小结 | 第148-151页 |
| 第8章 工作总结与未来展望 | 第151-153页 |
| ·工作总结 | 第151-152页 |
| ·未来展望 | 第152-153页 |
| 附录 第3章定理证明 | 第153-159页 |
| 参考文献 | 第159-170页 |
| 在读期间发表的学术论文与取得的研究成果 | 第170-172页 |
| 项目资助情况 | 第172-173页 |
| 作者简历 | 第173-174页 |
| 致谢 | 第174-175页 |
