用于图像语义检索的深度哈希算法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题背景 | 第11-13页 |
| 1.2 本文工作及贡献 | 第13-14页 |
| 1.3 本文组织 | 第14-16页 |
| 第2章 相关工作 | 第16-36页 |
| 2.1 哈希算法 | 第16-28页 |
| 2.1.1 最近邻检索 | 第16页 |
| 2.1.2 哈希检索方法 | 第16-19页 |
| 2.1.3 局部敏感哈希 | 第19-20页 |
| 2.1.4 基于学习的哈希 | 第20-28页 |
| 2.2 深度神经网络 | 第28-31页 |
| 2.2.1 深度学习概述 | 第28-29页 |
| 2.2.2 卷积神经网络概述 | 第29-30页 |
| 2.2.3 卷积神经网络结构 | 第30-31页 |
| 2.3 基于深度神经网络的哈希 | 第31-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 问题描述 | 第36-40页 |
| 3.1 符号定义 | 第36-37页 |
| 3.2 标签类型 | 第37-38页 |
| 3.3 问题定义 | 第38页 |
| 3.4 预期目标 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于深度学习的语义检索哈希算法 | 第40-53页 |
| 4.1 基于CNN的特征学习 | 第40-44页 |
| 4.1.1 整体网络结构 | 第41-42页 |
| 4.1.2 分块全连接模块 | 第42-44页 |
| 4.2 损失函数与哈希码生成 | 第44-48页 |
| 4.2.1 样本对距离保持 | 第44-45页 |
| 4.2.2 量化误差 | 第45-47页 |
| 4.2.3 样本点语义标签 | 第47-48页 |
| 4.2.4 哈希码生成 | 第48页 |
| 4.3 基于神经网络的复合哈希码层次检索 | 第48-51页 |
| 4.3.1 方法描述 | 第48-50页 |
| 4.3.2 与传统方法的对比 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 实现细节与优化 | 第53-61页 |
| 5.1 基本实现 | 第53-56页 |
| 5.2 模型融合 | 第56-57页 |
| 5.3 Fine-tuning两阶段训练法 | 第57-59页 |
| 5.4 其他细节 | 第59-60页 |
| 5.4.1 避免过拟合 | 第59页 |
| 5.4.2 训练过程优化 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 实验结果与分析 | 第61-77页 |
| 6.1 实验配置 | 第61-63页 |
| 6.1.1 实验环境 | 第61页 |
| 6.1.2 实验对比算法 | 第61-62页 |
| 6.1.3 实验数据 | 第62-63页 |
| 6.1.4 参数设定 | 第63页 |
| 6.2 实验评判标准 | 第63-64页 |
| 6.3 实验结果及分析 | 第64-76页 |
| 6.3.1 哈希算法对照实验 | 第64-68页 |
| 6.3.2 结合多种标签信息 | 第68-69页 |
| 6.3.3 模型融合 | 第69-70页 |
| 6.3.4 复合哈希码层次检索 | 第70-75页 |
| 6.3.5 哈希码生成时间 | 第75-76页 |
| 6.4 本章小结 | 第76-77页 |
| 第7章 总结与展望 | 第77-79页 |
| 7.1 工作总结 | 第77页 |
| 7.2 未来展望 | 第77-79页 |
| 参考文献 | 第79-87页 |
| 攻读硕士学位期间主要的研究成果 | 第87-88页 |
| 致谢 | 第88页 |
