基于深度学习的图像哈希检索
| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景及研究意义 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 图像特征提取 | 第12-13页 |
| 1.2.2 索引机制 | 第13-16页 |
| 1.2.3 著名的图像检索系统 | 第16-17页 |
| 1.3 主要工作内容 | 第17-18页 |
| 1.4 各章节结构安排 | 第18-19页 |
| 第二章 基于内容的图像检索的基础理论 | 第19-37页 |
| 2.1 基于内容的图像检索特征描述 | 第19-23页 |
| 2.1.1 颜色特征 | 第19-21页 |
| 2.1.2 纹理特征 | 第21-22页 |
| 2.1.3 形状特征 | 第22-23页 |
| 2.2 图像索引技术 | 第23-24页 |
| 2.3 图像哈希算法 | 第24-31页 |
| 2.3.1 局部敏感哈希(LSH) | 第25-26页 |
| 2.3.2 谱哈希(SH) | 第26-27页 |
| 2.3.3 基于锚点图哈希(AGH) | 第27页 |
| 2.3.4 球哈希(SPH) | 第27-29页 |
| 2.3.5 迭代量化哈希(ITQ) | 第29-30页 |
| 2.3.6 K-means哈希(KMH) | 第30-31页 |
| 2.4 图像检索度量算法 | 第31-33页 |
| 2.5 图像检索算法的评价标准 | 第33-35页 |
| 2.6 本章小结 | 第35-37页 |
| 第三章 深度学习关键技术 | 第37-49页 |
| 3.1 深度学习 | 第37-38页 |
| 3.2 神经网络 | 第38-40页 |
| 3.2.1 神经网络概述 | 第38-39页 |
| 3.2.2 神经网络模型 | 第39-40页 |
| 3.3 反向传导算法 | 第40-41页 |
| 3.4 自编码神经网络与稀疏性 | 第41-44页 |
| 3.4.1 自编码算法 | 第41-42页 |
| 3.4.2 稀疏性 | 第42-44页 |
| 3.5 栈式自编码算法 | 第44-47页 |
| 3.5.1 栈式自编码算法概述 | 第44页 |
| 3.5.2 训练算法 | 第44-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第四章 基于深度学习的哈希检索算法 | 第49-71页 |
| 4.1 算法基本框架与步骤 | 第49-50页 |
| 4.2 基于深度学习的哈希检索算法的实现 | 第50-57页 |
| 4.2.1 图像预处理 | 第50-51页 |
| 4.2.2 训练栈式稀疏自编码网络 | 第51-52页 |
| 4.2.3 哈希算法检索 | 第52-55页 |
| 4.2.4 相似性度量 | 第55-56页 |
| 4.2.5 图像二级检索 | 第56-57页 |
| 4.3 实验设计与性能分析 | 第57-69页 |
| 4.3.1 实验环境和图像库 | 第57-58页 |
| 4.3.3 算法实验性分析 | 第58-69页 |
| 4.4 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 发表论文和参加科研情况 | 第77-79页 |
| 致谢 | 第79页 |
