基于深度学习特征的图像检索技术研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 图像特征提取 | 第11-13页 |
| 1.2.2 图像特征哈希化 | 第13-14页 |
| 1.3 论文主要工作与创新 | 第14-16页 |
| 1.3.1 论文的主要工作 | 第14-15页 |
| 1.3.2 论文的主要创新点 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 相关技术及研究 | 第18-28页 |
| 2.1 图像检索流程 | 第18-19页 |
| 2.2 神经网络的微调 | 第19-20页 |
| 2.3 特征降维与特征聚合技术 | 第20-23页 |
| 2.3.1 特征降维技术 | 第20-22页 |
| 2.3.2 特征聚合技术 | 第22-23页 |
| 2.4 图像哈希算法 | 第23-27页 |
| 2.4.1 局部敏感的哈希算法LSH | 第23-24页 |
| 2.4.2 迭代量化算法ITQ | 第24-25页 |
| 2.4.3 CNNH/CNNH+哈希模型 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 图像特征提取 | 第28-48页 |
| 3.1 实验背景 | 第28-30页 |
| 3.1.1 VGG16的结构 | 第28-29页 |
| 3.1.2 实验数据集 | 第29-30页 |
| 3.2 全连接层特征优化 | 第30-34页 |
| 3.2.1 全连接层特征 | 第30-31页 |
| 3.2.2 网络微调对特征的影响 | 第31页 |
| 3.2.3 降维对特征的影响 | 第31-34页 |
| 3.3 卷积层特征优化 | 第34-39页 |
| 3.3.1 卷积层特征提取 | 第34-36页 |
| 3.3.2 特征的VLAD编码 | 第36-37页 |
| 3.3.3 实验结果与分析 | 第37-39页 |
| 3.4 全连接层特征融合 | 第39-40页 |
| 3.4.1 特征融合过程 | 第39页 |
| 3.4.2 实验结果和分析 | 第39-40页 |
| 3.5 卷积层特征融合 | 第40-46页 |
| 3.5.1 模型设计 | 第40-43页 |
| 3.5.2 模型对比 | 第43-44页 |
| 3.5.3 网络设计 | 第44页 |
| 3.5.4 实验结果与分析 | 第44-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 图像特征哈希化 | 第48-60页 |
| 4.1 栈式自编码神经网络模型 | 第48-53页 |
| 4.1.1 自编码神经网络 | 第48-50页 |
| 4.1.2 栈式自编码神经网络 | 第50页 |
| 4.1.3 网络的训练 | 第50-52页 |
| 4.1.4 网络设计 | 第52-53页 |
| 4.1.5 实验结果和分析 | 第53页 |
| 4.2 卷积神经网络模型 | 第53-56页 |
| 4.2.1 模型设计 | 第54-55页 |
| 4.2.2 两步检索 | 第55页 |
| 4.2.3 实验结果和分析 | 第55-56页 |
| 4.3 改进的卷积神经网络模型 | 第56-59页 |
| 4.3.1 网络模型的改进 | 第57页 |
| 4.3.2 损失函数的改进 | 第57-58页 |
| 4.3.3 实验结果和分析 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 工作总结与展望 | 第60-62页 |
| 5.1 论文总结 | 第60-61页 |
| 5.2 进一步研究与展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士学位期间发表论文 | 第70页 |
