基于生成式对抗网络的图像特征表示及应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 图像的特征表示研究现状 | 第11-13页 |
| 1.2.2 散列特征表示的研究现状 | 第13-14页 |
| 1.2.3 生成式对抗网络研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第二章 相关工作及研究 | 第17-24页 |
| 2.1 特征表示学习 | 第17-19页 |
| 2.1.1 深度学习 | 第17-18页 |
| 2.1.2 卷积神经网络 | 第18-19页 |
| 2.2 生成式对抗网络 | 第19-21页 |
| 2.2.1 基本的生成式对抗网络 | 第19-20页 |
| 2.2.2 深度卷积生成式对抗网络 | 第20页 |
| 2.2.3 StackGANs | 第20-21页 |
| 2.3 深度散列特征表示 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 无监督逐层生成对抗特征表示学习 | 第24-35页 |
| 3.1 SGANs网络架构 | 第24-25页 |
| 3.2 网络的优化目标 | 第25-28页 |
| 3.2.1 判别网络的优化目标 | 第26页 |
| 3.2.2 生成网络的优化目标 | 第26-27页 |
| 3.2.3 训练算法 | 第27-28页 |
| 3.3 SGANs的实现细节 | 第28-33页 |
| 3.3.1 生成网络的实现 | 第29-31页 |
| 3.3.2 判别网络的实现 | 第31-33页 |
| 3.4 层次结构特征表示与图像检索 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 半监督GAN的散列特征表示学习 | 第35-50页 |
| 4.1 半监督GAN与图像检索 | 第35-36页 |
| 4.2 DSH-SGANs模型 | 第36-40页 |
| 4.2.1 DSH-SGANs中生成网络 | 第36-38页 |
| 4.2.2 DSH-SGANs中判别网络 | 第38-40页 |
| 4.3 DSH-SGANs优化目标 | 第40-45页 |
| 4.3.1 基本思想 | 第40-41页 |
| 4.3.2 深度散列优化目标 | 第41-42页 |
| 4.3.3 对抗优化目标 | 第42-43页 |
| 4.3.4 分类优化目标 | 第43页 |
| 4.3.5 结构一致性优化目标 | 第43-44页 |
| 4.3.6 DSH-GANs整体优化目标 | 第44-45页 |
| 4.4 训练算法 | 第45-46页 |
| 4.5 实现细节 | 第46-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 实验及应用 | 第50-64页 |
| 5.1 数据集 | 第50页 |
| 5.2 Pytorch框架工具 | 第50-51页 |
| 5.3 评估指标 | 第51页 |
| 5.4 数据预处理 | 第51-52页 |
| 5.5 模型超参数设置 | 第52页 |
| 5.6 实验分析 | 第52-59页 |
| 5.6.1 CIFAR-10数据集 | 第52-55页 |
| 5.6.2 MNIST数据集 | 第55-58页 |
| 5.6.3 特征空间可视化 | 第58-59页 |
| 5.7 原型系统实现 | 第59-63页 |
| 5.7.1 系统架构 | 第59-60页 |
| 5.7.2 系统测试 | 第60-61页 |
| 5.7.3 测试结果及分析 | 第61-63页 |
| 5.8 本章小结 | 第63-64页 |
| 第六章 总结和展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 未来工作 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 作者简介 | 第71页 |
