机器学习算法在基于语义图像检索中的应用
| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-9页 |
| 序 | 第9-13页 |
| 1 引言 | 第13-17页 |
| ·研究背景 | 第13页 |
| ·图像检索方法分类 | 第13-15页 |
| ·基于文本的图像检索 | 第13-14页 |
| ·基于内容的图像检索 | 第14页 |
| ·基于语义的图像检索 | 第14-15页 |
| ·本文组织结构 | 第15-17页 |
| 2 机器学习算法概述 | 第17-24页 |
| ·有监督学习 | 第17-21页 |
| ·无监督学习 | 第21-22页 |
| ·半监督学习(直推式学习) | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 基于语义图像检索关键技术 | 第24-29页 |
| ·语义层次模型 | 第24-25页 |
| ·图像语义表示 | 第25页 |
| ·图像语义算法 | 第25-28页 |
| ·基于视觉特征的语义算法 | 第25-26页 |
| ·基于关键字的语义网络 | 第26-27页 |
| ·基于语义向量算法 | 第27页 |
| ·相关反馈技术 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 4 多分类器在图像高层语义提取中的应用 | 第29-51页 |
| ·图像视觉特征 | 第29-32页 |
| ·累积颜色直方图 | 第29-30页 |
| ·灰度共生矩阵 | 第30-31页 |
| ·边缘直方图 | 第31-32页 |
| ·特征归一化 | 第32-33页 |
| ·SVM三种核函数在反馈中的比较实验 | 第33-36页 |
| ·实现语义节点多分类问题 | 第36-40页 |
| ·SVM多分类 | 第36-37页 |
| ·样本相差悬殊时SVM算法 | 第37-38页 |
| ·Bayes多分类算法 | 第38-40页 |
| ·图像语义的自动提取 | 第40-42页 |
| ·语义分类效果评价 | 第42-44页 |
| ·查全率和查准率 | 第42-43页 |
| ·精确度 | 第43页 |
| ·平均积分比 | 第43-44页 |
| ·语义节点多分类实验结果 | 第44-50页 |
| ·图像库的选择及语义结构的构造 | 第44-45页 |
| ·多分类器实验结果比较 | 第45-49页 |
| ·实验结果分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 5 相关反馈在图像语义更新中的应用 | 第51-54页 |
| ·支持用户更新的语义结构设计 | 第51-52页 |
| ·语义结构设计 | 第51页 |
| ·语义结构的更新 | 第51-52页 |
| ·综合检索算法 | 第52-54页 |
| 6 实验检索系统的设计与实现 | 第54-68页 |
| ·系统结构 | 第54-55页 |
| ·图像库管理相关模块 | 第54-55页 |
| ·图像检索相关模块 | 第55页 |
| ·实现环境 | 第55页 |
| ·实验结果与分析 | 第55-68页 |
| ·图像语义提取过程 | 第55-58页 |
| ·图像检索的实验及结果分析 | 第58-65页 |
| ·相关反馈的实验及结果 | 第65-68页 |
| 7 结论 | 第68-69页 |
| ·论文总结 | 第68页 |
| ·进一步研究工作 | 第68-69页 |
| 参考文献 | 第69-71页 |
| 作者简历 | 第71-73页 |
| 学位论文数据集 | 第73页 |
