基于大规模视觉模式学习的高性能图像表示
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-14页 |
| 第1章 绪论 | 第14-32页 |
| ·背景 | 第14-23页 |
| ·海量数据 | 第15-17页 |
| ·语义鸿沟 | 第17-19页 |
| ·图像识别领域十年来的发展 | 第19-21页 |
| ·研究意义 | 第21-23页 |
| ·研究现状 | 第23-28页 |
| ·大规模图像检索问题 | 第23-25页 |
| ·一般图像的中层表示问题 | 第25-28页 |
| ·现有研究不足之处分析 | 第28页 |
| ·研究内容和创新点 | 第28-29页 |
| ·论文结构安排 | 第29-32页 |
| 第2章 视觉模式学习和高性能图像表示 | 第32-42页 |
| ·大规模图像检索 | 第32-36页 |
| ·物体检索问题和图像检索流程 | 第32-33页 |
| ·相关工作 | 第33-34页 |
| ·当前的大规模图像检索系统 | 第34-36页 |
| ·中层图像表示问题 | 第36-42页 |
| ·基于视觉属性的中层图像表示及其应用场景 | 第37-39页 |
| ·相关工作 | 第39-40页 |
| ·当前基于视觉属性的高性能图像表示 | 第40-42页 |
| 第3章 快速生成高性能的大规模视觉词表 | 第42-64页 |
| ·前言 | 第42-43页 |
| ·问题及已有算法 | 第43-47页 |
| ·k-means聚类问题和经典算法 | 第44页 |
| ·已有的快速算法 | 第44-46页 |
| ·近似k-means算法的进一步分析 | 第46-47页 |
| ·鲁棒近似k-means算法 | 第47-54页 |
| ·基本思想 | 第47-48页 |
| ·改进策略 | 第48-51页 |
| ·具体改进 | 第51-53页 |
| ·算法实现 | 第53页 |
| ·初始化和终止条件 | 第53-54页 |
| ·理论分析 | 第54-55页 |
| ·算法收敛性 | 第54页 |
| ·收敛解的最优性 | 第54-55页 |
| ·实验 | 第55-61页 |
| ·实验数据 | 第55-56页 |
| ·算法实现 | 第56页 |
| ·参数配置 | 第56-58页 |
| ·局部特征聚类实验 | 第58-59页 |
| ·全局特征聚类实验 | 第59-61页 |
| ·本章小结 | 第61-64页 |
| 第4章 基于大规模视觉词表的高性能图像表示生成 | 第64-74页 |
| ·前言 | 第64-65页 |
| ·己有算法 | 第65-67页 |
| ·深入分析 | 第67-70页 |
| ·基于k近邻的多重量化 | 第68页 |
| ·汇集方法比较 | 第68-70页 |
| ·局部核编码 | 第70-71页 |
| ·基本思想 | 第70页 |
| ·优化目标 | 第70-71页 |
| ·算法求解 | 第71页 |
| ·实验 | 第71-73页 |
| ·数据集和参数配置 | 第72页 |
| ·实验结果 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第5章 基于视觉属性的中层图像表示 | 第74-102页 |
| ·基于视觉属性的线性中层图像表示 | 第75-90页 |
| ·研究背景 | 第75-76页 |
| ·问题及已有工作 | 第76-78页 |
| ·高性能语义子空间学习算法 | 第78-82页 |
| ·快速可升级的降维 | 第82-83页 |
| ·实验结果 | 第83-87页 |
| ·潜在视觉属性的可视化 | 第87-88页 |
| ·结论 | 第88-90页 |
| ·基于视觉属性的非线性中层表示 | 第90-99页 |
| ·研究背景 | 第90页 |
| ·问题和相关工作 | 第90-91页 |
| ·非线性表示 | 第91-93页 |
| ·进一步讨论 | 第93-97页 |
| ·实验 | 第97-99页 |
| ·结论 | 第99页 |
| ·本章小结 | 第99-102页 |
| 第6章 总结和展望 | 第102-106页 |
| ·工作总结 | 第102-103页 |
| ·未来展望 | 第103-106页 |
| 参考文献 | 第106-110页 |
| 附录 部分术语的中英文对照 | 第110-112页 |
| 致谢 | 第112-114页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第114页 |
