基于深度学习的图像检索方法的研究
| 中文摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 论文研究背景及意义 | 第11页 |
| 1.2 图像检索的国内外研究现状 | 第11-12页 |
| 1.3 图像特征提取的研究现状 | 第12-14页 |
| 1.4 论文的研究内容与组织结构 | 第14-15页 |
| 第二章 图像检索相关理论知识 | 第15-23页 |
| 2.1 卷积层神经网络 | 第15-19页 |
| 2.1.1 卷积层 | 第15-16页 |
| 2.1.2 池化层 | 第16-17页 |
| 2.1.3 全连接层 | 第17页 |
| 2.1.4 损失函数 | 第17-19页 |
| 2.2 递归神经网络 | 第19-20页 |
| 2.3 强化学习 | 第20-22页 |
| 2.3.1 基于值迭代的强化学习算法 | 第20-21页 |
| 2.3.2 基于策略梯度的强化学习算法 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于卷积特征融合的检索方法 | 第23-29页 |
| 3.1 卷积层特征可视化 | 第23-24页 |
| 3.2 VLAD卷积特征聚合方法 | 第24页 |
| 3.3 SWF特征融合方法 | 第24-25页 |
| 3.4 实验分析 | 第25-27页 |
| 3.5 本章小结 | 第27-29页 |
| 第四章 深度哈希图像检索方法 | 第29-39页 |
| 4.1 深度卷积哈希网络 | 第29-30页 |
| 4.2 深度监督哈希网络 | 第30页 |
| 4.3 三元损失哈希网络 | 第30-31页 |
| 4.4 深度语义排序网络 | 第31-32页 |
| 4.5 深度约束编码网络 | 第32-37页 |
| 4.5.1 网络架构 | 第32-33页 |
| 4.5.2 损失函数 | 第33-34页 |
| 4.5.3 实验分析 | 第34-37页 |
| 4.6 本章小结 | 第37-39页 |
| 第五章 基于Attention机制的图像检索 | 第39-45页 |
| 5.1 注意力机制 | 第39页 |
| 5.2 基于CNN和LSTM融合的图像检索方法 | 第39-41页 |
| 5.3 基于强化学习的图像检索方法 | 第41-43页 |
| 5.4 实验分析 | 第43-44页 |
| 5.5 本章小结 | 第44-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 攻读学位期间取得的研究成果 | 第51-53页 |
| 致谢 | 第53-55页 |
| 个人简况及联系方式 | 第55-58页 |
