基于优化标签集的图像标注的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 论文的主要工作及组织结构 | 第14-17页 |
| 1.3.1 论文的主要工作 | 第14-16页 |
| 1.3.2 本文的结构安排 | 第16-17页 |
| 2 基于MS-Ncuts算法图像区域分割 | 第17-27页 |
| 2.1 引言 | 第17-18页 |
| 2.2 Normalized Cuts分割算法 | 第18-20页 |
| 2.3 Mean Shift算法 | 第20-22页 |
| 2.4 基于MS-Ncuts的标注图像分割 | 第22-23页 |
| 2.5 实验结果与分析 | 第23-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 基于视觉词的图像描述 | 第27-42页 |
| 3.1 引言 | 第27-28页 |
| 3.2 区域特征提取 | 第28-33页 |
| 3.3 SIFT特征的提取 | 第33-37页 |
| 3.4 基于视觉词的图像描述 | 第37-41页 |
| 3.4.1 基于密度最大值聚类算法(MDCA) | 第37-38页 |
| 3.4.2 基于视觉词的图像描述 | 第38-41页 |
| 3.5 实验结果与分析 | 第41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 基于主题融合的自动图像标注模型 | 第42-56页 |
| 4.1 引言 | 第42-44页 |
| 4.2 概率潜在语义分析模型(PLSA) | 第44-46页 |
| 4.3 基于主题融合的图像语义标注模型 | 第46-50页 |
| 4.3.1 基于主题融合的PLSA模型的原理 | 第46-50页 |
| 4.3.2 基于主题融合的PLSA模型训练过程 | 第50页 |
| 4.4 基于主题融合的PLSA的标注 | 第50-52页 |
| 4.5 实验结果与分析 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 5 基于优化标注集的研究 | 第56-65页 |
| 5.1 引言 | 第56页 |
| 5.2 基于启发式的最优标注集的研究 | 第56-61页 |
| 5.2.1 基于词频因子的词间相关性的度量 | 第57-59页 |
| 5.2.2 基于启发式函数的标注集的优化 | 第59-61页 |
| 5.3 实验结果与分析 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读学位期间的主要研究成果目录 | 第73-74页 |
| 致谢 | 第74页 |
