基于深度学习的图像检索系统研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-23页 |
| 1.1 背景和意义 | 第9-12页 |
| 1.2 发展现状和问题分析 | 第12-21页 |
| 1.2.1 基于SIFT特征的图像检索 | 第13-15页 |
| 1.2.2 基于CNN特征的图像检索 | 第15-19页 |
| 1.2.3 基于度量学习的图像检索 | 第19-21页 |
| 1.3 研究内容及成果 | 第21页 |
| 1.4 章节安排 | 第21-23页 |
| 第二章 基础知识 | 第23-45页 |
| 2.1 基于CNN的特征提取 | 第23-33页 |
| 2.1.1 卷积神经网络 | 第23-28页 |
| 2.1.2 CNN模型示例 | 第28-32页 |
| 2.1.3 CNN特征使用 | 第32-33页 |
| 2.2 相似度度量 | 第33-38页 |
| 2.2.1 相似度计算 | 第33-34页 |
| 2.2.2 度量学习 | 第34-36页 |
| 2.2.3 深度度量学习 | 第36-38页 |
| 2.3 神经网络优化 | 第38-41页 |
| 2.3.1 基于梯度的学习 | 第38-39页 |
| 2.3.2 正则化 | 第39-41页 |
| 2.3.3 超参数选择 | 第41页 |
| 2.4 传统视觉描述子 | 第41-44页 |
| 2.4.1 SIFT特征 | 第42页 |
| 2.4.2 BoW视觉词袋 | 第42-43页 |
| 2.4.3 VLAD编码 | 第43-44页 |
| 2.5 本章小结 | 第44-45页 |
| 第三章 多负例深度度量学习 | 第45-59页 |
| 3.1 动机 | 第45-47页 |
| 3.2 多负例损失函数 | 第47-50页 |
| 3.2.1 网络结构设计 | 第49-50页 |
| 3.3 多负例采样 | 第50-52页 |
| 3.3.1 批量样本构造 | 第51-52页 |
| 3.4 实验分析 | 第52-58页 |
| 3.4.1 实验设置 | 第52-53页 |
| 3.4.2 实验结果 | 第53-54页 |
| 3.4.3 模型分析 | 第54-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第四章 检索系统的设计与实现 | 第59-65页 |
| 4.1 系统介绍 | 第60页 |
| 4.2 相关技术 | 第60-61页 |
| 4.3 系统架构设计 | 第61-62页 |
| 4.4 系统核心模块实现 | 第62-63页 |
| 4.4.1 构建索引 | 第62页 |
| 4.4.2 图像检索 | 第62-63页 |
| 4.5 系统演示 | 第63-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 工作总结 | 第65页 |
| 5.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读学位期间发表的学术论文目录 | 第73页 |
