| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 图像检索技术发展历程 | 第13-14页 |
| 1.2.2 外观设计专利图像检索技术研究现状 | 第14-17页 |
| 1.2.3 外观设计专利图像检索系统 | 第17-18页 |
| 1.3 需求分析 | 第18页 |
| 1.4 课题研究的主要内容及创新点 | 第18-19页 |
| 1.5 论文的章节安排 | 第19-21页 |
| 第二章 基于内容的图像检索技术 | 第21-34页 |
| 2.1 基于内容的图像检索概述 | 第21-22页 |
| 2.2 图像的特征表达 | 第22-30页 |
| 2.2.1 分层方向直方图(PHOG) | 第25-28页 |
| 2.2.2 卷积神经网络（CNN） | 第28-30页 |
| 2.3 相似性度量 | 第30-32页 |
| 2.4 检索性能评判标准 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于LBP的加权分布纹理熵 | 第34-45页 |
| 3.1 局部二值模式LBP | 第34-35页 |
| 3.2 均匀模式 | 第35-36页 |
| 3.3 信息熵(Entropy) | 第36-37页 |
| 3.4 基于LBP的加权分布纹理熵 | 第37-39页 |
| 3.5 实验验证 | 第39-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于重排和SIEAC的协同训练算法 | 第45-70页 |
| 4.1 协同转导算法 | 第45-52页 |
| 4.1.1 标签传播 | 第45-47页 |
| 4.1.2 协同训练算法 | 第47-49页 |
| 4.1.3 基于标签传播的协同转导算法 | 第49-52页 |
| 4.2 基于SIEAC的协同训练算法 | 第52-57页 |
| 4.2.1 置信度(Confidence) | 第52-53页 |
| 4.2.2 基于SIEAC的协同训练算法 | 第53-57页 |
| 4.3 基于重排和SIEAC的协同训练图像检索 | 第57-58页 |
| 4.4 实验仿真 | 第58-69页 |
| 4.4.1 改进的方法在外观专利数据集上的对比实验 | 第58-68页 |
| 4.4.2 外观专利数据集上不同特征组合的对比实验 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-79页 |
| 攻读硕士学位期间取得的学术成果 | 第79-81页 |
| 致谢 | 第81页 |