| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 基于判别式的图像自动标注模型 | 第11-12页 |
| 1.2.2 基于生成式的图像自动标注模型 | 第12-13页 |
| 1.2.3 半监督图像自动标注模型 | 第13页 |
| 1.3 论文的主要工作 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 关键技术分析 | 第16-27页 |
| 2.1 图像自动标注的相关概念与基本步骤 | 第16-19页 |
| 2.1.1 图像分割 | 第16-17页 |
| 2.1.2 图像视觉特征提取 | 第17-19页 |
| 2.2 隐狄利克雷分布(LDA)模型 | 第19-21页 |
| 2.2.1 LDA模型描述 | 第19-20页 |
| 2.2.2 模型推断与参数估计 | 第20-21页 |
| 2.3 支持向量机 | 第21-25页 |
| 2.3.1 SVM原理 | 第22-24页 |
| 2.3.2 多类分类SVM | 第24-25页 |
| 2.4 神经网络 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于LDA-SVM混合模型的图像自动标注方法 | 第27-37页 |
| 3.1 图像视觉特征表示 | 第27-30页 |
| 3.1.1 图像的主题建模 | 第27-29页 |
| 3.1.2 图像表示 | 第29-30页 |
| 3.2 基于LDA-SVM的图像自动标注 | 第30-32页 |
| 3.3 实验与分析 | 第32-36页 |
| 3.3.1 实验数据集 | 第32页 |
| 3.3.2 评价标准 | 第32-33页 |
| 3.3.3 实验参数设置 | 第33-34页 |
| 3.3.4 在Corel5K上的标注性能对比 | 第34-35页 |
| 3.3.5 在IAPRTC-12数据集上的标注性能对比 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于协同训练的图像自动标注 | 第37-49页 |
| 4.1 无标记样本的作用 | 第37-38页 |
| 4.2 协同训练算法 | 第38-39页 |
| 4.3 基于协同训练的图像自动标注 | 第39-43页 |
| 4.3.1 基于协同训练的图像语义学习框架 | 第39-40页 |
| 4.3.2 LDA-SVM和神经网络的协同训练算法 | 第40-42页 |
| 4.3.3 自适应加权融合策略 | 第42-43页 |
| 4.4 实验与分析 | 第43-48页 |
| 4.4.1 数据集与评估措施 | 第43-44页 |
| 4.4.2 实验参数设置 | 第44-45页 |
| 4.4.3 在IAPRTC-12上的实验结果 | 第45页 |
| 4.4.4 在NUS-WIDE上的实验结果 | 第45-46页 |
| 4.4.5 在两个数据集上的标注结果 | 第46-47页 |
| 4.4.6 实验结果讨论 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于词语相关性的图像标注改善方法 | 第49-57页 |
| 5.1 互信息的基本概念 | 第50-51页 |
| 5.2 基于加权互信息的标注词相关性计算 | 第51-52页 |
| 5.3 方法描述 | 第52-53页 |
| 5.4 实验与分析 | 第53-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 论文工作总结 | 第57-58页 |
| 6.2 下一步工作展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间的科研成果 | 第64-66页 |
| 致谢 | 第66-67页 |
