| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第16-31页 |
| 1.1 课题的研究背景与意义 | 第16-17页 |
| 1.2 图像语义表达与度量学习技术研究现状分析 | 第17-27页 |
| 1.2.1 图像特征提取 | 第17-18页 |
| 1.2.2 图像语义表达 | 第18-23页 |
| 1.2.3 图像距离度量 | 第23-24页 |
| 1.2.4 相关技术应用研究现状 | 第24-25页 |
| 1.2.5 当前研究存在的问题与挑战 | 第25-27页 |
| 1.3 论文主要工作与组织结构 | 第27-31页 |
| 1.3.1 论文主要工作 | 第27-28页 |
| 1.3.2 论文组织结构 | 第28-31页 |
| 第二章 图像语义表达技术基础 | 第31-44页 |
| 2.1 SIFT特征提取 | 第31-33页 |
| 2.1.1 尺度空间极值点检测 | 第31-32页 |
| 2.1.2 关键点的精确定位 | 第32页 |
| 2.1.3 关键点方向参数指定 | 第32-33页 |
| 2.1.4 关键点描述子生成 | 第33页 |
| 2.2 视觉词典生成方式 | 第33-37页 |
| 2.2.1 基于K-Means聚类的视觉词典生成 | 第34页 |
| 2.2.2 基于哈希映射的视觉词典生成 | 第34-36页 |
| 2.2.3 基于学习编码的视觉词典生成 | 第36-37页 |
| 2.3 深度学习模型 | 第37-40页 |
| 2.3.1 卷积神经网络模型 | 第38页 |
| 2.3.2 深度置信网络模型 | 第38-39页 |
| 2.3.3 堆栈自编码网络模型 | 第39-40页 |
| 2.4 概率潜在语义分析模型 | 第40-41页 |
| 2.5 实验数据集与性能评价指标 | 第41-43页 |
| 2.5.1 实验数据集 | 第41-43页 |
| 2.5.2 性能评价指标 | 第43页 |
| 2.6 本章小结 | 第43-44页 |
| 第三章 基于近义词自适应软分配和卡方模型的图像语义表达 | 第44-65页 |
| 3.1 基于关键点过滤和卡方模型的视觉词典生成方法 | 第44-47页 |
| 3.1.1 基于关键点和卡方模型的视觉词典生成方法原理分析 | 第44-45页 |
| 3.1.2 基于关键点过滤和卡方模型的视觉词典生成方法流程 | 第45页 |
| 3.1.3 关键点过滤 | 第45-46页 |
| 3.1.4 视觉停用词去除 | 第46-47页 |
| 3.2 基于近义词自适应软分配策略的视觉词汇直方图构建 | 第47-51页 |
| 3.2.1 近义词自适应软分配策略原理分析 | 第47-48页 |
| 3.2.2 视觉单词语义概念表达与度量 | 第48-50页 |
| 3.2.3 基于自适应软分配的视觉词汇直方图构建流程 | 第50-51页 |
| 3.3 基于近义词自适应软分配和卡方模型的图像语义表达方法 | 第51页 |
| 3.4 实验结果与性能分析 | 第51-64页 |
| 3.4.1 目标分类实验 | 第52-57页 |
| 3.4.2 目标检索实验 | 第57-64页 |
| 3.5 本章小结 | 第64-65页 |
| 第四章 基于弱监督E2LSH和显著图加权视觉语言模型的图像语义表达 | 第65-84页 |
| 4.1 基于弱监督E2LSH的视觉词典生成方法 | 第65-69页 |
| 4.1.1 基于弱监督E2LSH的视觉词典生成方法原理分析 | 第65-66页 |
| 4.1.2 E2LSH映射 | 第66页 |
| 4.1.3 基于弱监督E2LSH的视觉词典生成方法流程 | 第66-69页 |
| 4.2 显著图加权视觉语言模型 | 第69-72页 |
| 4.2.1 显著图加权视觉语言模型原理分析 | 第69页 |
| 4.2.2 视觉语言模型基础 | 第69-71页 |
| 4.2.3 显著图加权视觉语言模型的构建 | 第71-72页 |
| 4.3 基于弱监督E2LSH与显著图加权视觉语言模型的图像语义表达方法 | 第72-73页 |
| 4.4 实验结果与性能分析 | 第73-82页 |
| 4.4.1 目标分类实验 | 第73-78页 |
| 4.4.2 目标检索实验 | 第78-82页 |
| 4.5 本章小结 | 第82-84页 |
| 第五章 基于深度学习编码模型的图像语义表达 | 第84-94页 |
| 5.1 基于深度学习编码模型的图像语义表达方法原理分析 | 第84-85页 |
| 5.2 基于深度学习编码模型的图像语义表达方法 | 第85-90页 |
| 5.2.1 基于深度学习编码模型的图像语义表达方法流程 | 第85-86页 |
| 5.2.2 无监督RBM编码 | 第86-87页 |
| 5.2.3 稀疏性与选择性调整 | 第87-89页 |
| 5.2.4 有监督微调 | 第89-90页 |
| 5.3 实验结果与性能分析 | 第90-92页 |
| 5.3.1 实验设置 | 第90页 |
| 5.3.2 实验结果分析 | 第90-92页 |
| 5.4 本章小结 | 第92-94页 |
| 第六章 基于特征分组与特征值最优化的距离度量学习 | 第94-104页 |
| 6.1 基于特征分组与特征值最优化的距离度量学习方法原理分析 | 第94-95页 |
| 6.2 基于特征分组与特征值最优化的距离度量学习方法 | 第95-99页 |
| 6.2.1 基于特征分组与特征值最优化的距离度量学习方法流程 | 第95-96页 |
| 6.2.2 特征分组算法 | 第96-97页 |
| 6.2.3 基于特征值最优化的距离度量学习 | 第97-98页 |
| 6.2.4 特征值最优化问题的求解 | 第98-99页 |
| 6.2.5 度量融合 | 第99页 |
| 6.3 实验结果与性能分析 | 第99-103页 |
| 6.3.1 目标分类实验 | 第100-101页 |
| 6.3.2 目标检索实验 | 第101-103页 |
| 6.4 本章小结 | 第103-104页 |
| 第七章 总结与展望 | 第104-108页 |
| 7.1 本文工作总结 | 第104-106页 |
| 7.2 下一步研究展望 | 第106-108页 |
| 致谢 | 第108-110页 |
| 参考文献 | 第110-122页 |
| 作者简历 | 第122-123页 |
