| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 课题研究背景与意义 | 第13-14页 |
| 1.2 图文联合的新闻图像人脸标注的常用概念和关键步骤 | 第14-16页 |
| 1.3 图文联合的新闻图像人脸标注的研究现状 | 第16-19页 |
| 1.3.1 基于检索的人脸标注方法 | 第16-17页 |
| 1.3.2 基于弱监督学习的人脸标注 | 第17-18页 |
| 1.3.3 常用数据集和评价指标 | 第18-19页 |
| 1.4 问题提出 | 第19-20页 |
| 1.4.1 背景人脸的消除 | 第19-20页 |
| 1.4.2 人脸消歧时的约束关系利用 | 第20页 |
| 1.4.3 训练人脸标注模型时的信息利用 | 第20页 |
| 1.5 本文主要内容和组织结构 | 第20-25页 |
| 1.5.1 主要内容 | 第20-22页 |
| 1.5.2 组织结构 | 第22-25页 |
| 第二章 图文联合的新闻图像人脸标注的关键技术 | 第25-33页 |
| 2.1 引言 | 第25页 |
| 2.2 离群点检测 | 第25-29页 |
| 2.2.1 基于统计的离群点检测算法 | 第25-26页 |
| 2.2.2 基于距离的离群点检测算法 | 第26页 |
| 2.2.3 基于密度的离群点检测算法 | 第26-27页 |
| 2.2.4 基于聚类的离群点检测算法 | 第27-28页 |
| 2.2.5 基于子空间的离群点检测算法 | 第28-29页 |
| 2.3 偏标记数据消歧 | 第29-31页 |
| 2.3.1 基于模型的消歧算法 | 第29-30页 |
| 2.3.2 基于实例的消歧算法 | 第30-31页 |
| 2.4 信息融合 | 第31-32页 |
| 2.5 本章小节 | 第32-33页 |
| 第三章 基于鲁棒主成分分析的背景人脸消除算法 | 第33-41页 |
| 3.1 引言 | 第33-34页 |
| 3.2 基于RPCA的背景人脸消除算法 | 第34-37页 |
| 3.2.1 基于RPCA的离群程度度量原理 | 第35-36页 |
| 3.2.2 基检测器训练 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-40页 |
| 3.3.1 实验设置 | 第37-38页 |
| 3.3.2 参数设置和分析 | 第38-39页 |
| 3.3.3 对比实验结果和分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于成对约束的人脸消歧算法 | 第41-53页 |
| 4.1 引言 | 第41-42页 |
| 4.2 低秩表示 | 第42-43页 |
| 4.3 基于低秩表示系数的人脸相似度分析 | 第43-44页 |
| 4.3.1 基于数据局部结构的人脸相似度分析 | 第43页 |
| 4.3.2 数据不平衡时低秩表示系数和人脸相似度关系 | 第43-44页 |
| 4.4 基于成对约束的人脸数据消歧 | 第44-47页 |
| 4.4.1 有权图建立 | 第45-46页 |
| 4.4.2 姓名状态求解 | 第46-47页 |
| 4.4.3 姓名修正 | 第47页 |
| 4.5 实验结果与分析 | 第47-51页 |
| 4.5.1 实验设置 | 第47-49页 |
| 4.5.2 参数设置 | 第49-50页 |
| 4.5.3 对比实验结果及分析 | 第50-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第五章 基于多模态信息融合的人脸标注算法 | 第53-63页 |
| 5.1 引言 | 第53-54页 |
| 5.2 基于多模态信息融合的人脸标注算法 | 第54-58页 |
| 5.2.1 多模态信息提取 | 第55-57页 |
| 5.2.2 人脸姓名推理和修正 | 第57-58页 |
| 5.3 实验结果与分析 | 第58-62页 |
| 5.3.1 实验设置 | 第58-59页 |
| 5.3.2 参数分析 | 第59-60页 |
| 5.3.3 多模态信息分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 全文总结与主要创新点 | 第63-64页 |
| 6.2 下一步研究工作展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第71页 |