基于深度学习的图像检索
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景 | 第10-12页 |
| 1.2 国内外研究的现状 | 第12-13页 |
| 1.3 本文的组织结构 | 第13-15页 |
| 第2章 相关技术概述 | 第15-25页 |
| 2.1 深度学习 | 第16-19页 |
| 2.1.1 深度学习的定义 | 第16页 |
| 2.1.2 深度学习的优势 | 第16-19页 |
| 2.1.3 深度学习的基本思想 | 第19页 |
| 2.2 受限玻尔兹曼机(RBM) | 第19-20页 |
| 2.3 特征提取算法 | 第20-24页 |
| 2.3.1 高区分性局部特征算法 | 第20-21页 |
| 2.3.2 使用哈希映射的二进制特征 | 第21-22页 |
| 2.3.3 直接提取二进制特征 | 第22-23页 |
| 2.3.4 二进制特征检索模型的改进 | 第23-24页 |
| 2.3.5 搜索后的几何验证 | 第24页 |
| 2.4 小结 | 第24-25页 |
| 第3章 基于拉普拉斯特征映射的多核卷积神经网络 | 第25-40页 |
| 3.1 CAFFE开发工具 | 第26-27页 |
| 3.1.1 Caffe的网络定义 | 第26页 |
| 3.1.2 Caffe的各层的定义 | 第26-27页 |
| 3.2 卷积神经网络(CNN) | 第27-29页 |
| 3.3 多核卷积神经网络的建立 | 第29-31页 |
| 3.3.1 学习二进制哈希编码 | 第30页 |
| 3.3.2 图像检索 | 第30-31页 |
| 3.4 卷积层的参数训练过程 | 第31-33页 |
| 3.5 子采样层的训练过程 | 第33-34页 |
| 3.6 拉普拉斯特征映射降维 | 第34-37页 |
| 3.7 算法的流程 | 第37-38页 |
| 3.8 本章小结 | 第38-40页 |
| 第4章 模型测试与数据分析 | 第40-50页 |
| 4.1 数据集 | 第40-41页 |
| 4.2 评估标准 | 第41页 |
| 4.3 基于MNIST数据集的模型测试 | 第41-43页 |
| 4.4 基于CIFAR-10数据集的模型测试 | 第43-46页 |
| 4.5 基于YAHOO-1M数据集的模型测试 | 第46-48页 |
| 4.6 本章小节 | 第48-50页 |
| 第5章 总结与展望 | 第50-53页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 作者简介及在学校期间所取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |
