| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第12-16页 |
| 1.1 课题研究背景 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文主要工作和结构安排 | 第15-16页 |
| 2 图像检索技术概述 | 第16-25页 |
| 2.1 Hadoop和Spark平台 | 第16-17页 |
| 2.1.1 Hadoop简介 | 第16页 |
| 2.1.2 Spark平台简介 | 第16-17页 |
| 2.2 图像检索技术类型 | 第17-19页 |
| 2.2.1 基于区域的图像检索 | 第18页 |
| 2.2.2 基于语义特征的检索 | 第18页 |
| 2.2.3 基于反馈技术的图像检索 | 第18页 |
| 2.2.4 基于内容的图像检索 | 第18-19页 |
| 2.3 基于内容的图像检索技术分析 | 第19-22页 |
| 2.3.1 图像特征表征方式 | 第19-21页 |
| 2.3.2 特征相似性度量 | 第21-22页 |
| 2.3.3 量化和索引 | 第22页 |
| 2.4 分布式图像检索的应用 | 第22-24页 |
| 2.4.1 Haystack | 第22-23页 |
| 2.4.2 BlobStore | 第23页 |
| 2.4.3 TFS | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于深度学习的图像特征提取 | 第25-40页 |
| 3.1 深度学习 | 第25-29页 |
| 3.1.1 深度信念网络 | 第25-26页 |
| 3.1.2 CNN基本结构 | 第26-29页 |
| 3.2 网络性能优化方法 | 第29-33页 |
| 3.2.1 正则化方法 | 第29-31页 |
| 3.2.2 增加网络层数 | 第31-33页 |
| 3.3 深度网络CAlexNet模型 | 第33-39页 |
| 3.3.1 深度网络AlexNet结构的改进 | 第33-35页 |
| 3.3.2 自定义参数初始化方法 | 第35页 |
| 3.3.3 结合Spark优化梯度下降中Master-Slaves通信冲突 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 图像并行检索 | 第40-51页 |
| 4.1 BoVW和VLAD模型 | 第40-42页 |
| 4.1.1 BoVW模型分析 | 第40页 |
| 4.1.2 VLAD模型分析 | 第40-42页 |
| 4.2 改进的VLAD模型 | 第42-45页 |
| 4.2.1 使用Canopy-FCM替代k-means算法 | 第42-43页 |
| 4.2.2 改进的SHVLAD算法 | 第43-44页 |
| 4.2.3 SHVLAD向量的并行构建 | 第44-45页 |
| 4.3 基于Spark平台的乘积量化及并行索引 | 第45-48页 |
| 4.3.1 向量量化及乘积量化 | 第45-46页 |
| 4.3.2 基于Spark的并行索引 | 第46-48页 |
| 4.4 基于Spark平台的并行检索 | 第48-50页 |
| 4.4.1 近邻查询 | 第48-49页 |
| 4.4.2 检索结果重排序 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 实验设计与分析 | 第51-64页 |
| 5.1 实验步骤 | 第51-52页 |
| 5.2 实验设置 | 第52-54页 |
| 5.2.1 硬件环境及数据集 | 第52页 |
| 5.2.2 实验性能评价指标 | 第52-53页 |
| 5.2.3 Spark系统优化 | 第53-54页 |
| 5.3 改进的分布式CAlexnet网络模型实验 | 第54-56页 |
| 5.3.1 Master-Slaves分类阈值对模型召回率的影响 | 第55-56页 |
| 5.3.2 不同组合的模型的分类性能对比 | 第56页 |
| 5.4 图像并行检索实验 | 第56-63页 |
| 5.4.1 数据集Caltech101上的实验 | 第57-59页 |
| 5.4.2 数据集Caltech256上的实验 | 第59-60页 |
| 5.4.3 并行检索加速比 | 第60-62页 |
| 5.4.4 数据伸缩率 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 下一步工作展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 个人简历及发表论文情况 | 第71页 |
