| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 研究现状 | 第10-17页 |
| 1.2.1 基于生成模型的标注算法 | 第11-13页 |
| 1.2.2 基于最近邻模型的标注算法 | 第13-15页 |
| 1.2.3 基于判别模型的图像标注算法 | 第15-16页 |
| 1.2.4 基于稀疏编码模型的标注算法 | 第16-17页 |
| 1.3 本文工作和章节安排 | 第17-19页 |
| 第二章 基于主题筛选的两步投票邻域更新标注方法 | 第19-45页 |
| 2.1 图像特征的分层提取 | 第19-25页 |
| 2.1.1 低层全局信息特征向量的构造 | 第19-20页 |
| 2.1.2 中层多描述子特征向量的构造 | 第20-22页 |
| 2.1.3 显著点描述子特征核映射 | 第22-25页 |
| 2.2 基于朴素贝叶斯分类的主题筛选两步邻域更新方法 | 第25-30页 |
| 2.2.1 PLSA主题预测模型的不足性分析 | 第26页 |
| 2.2.2 朴素贝叶斯分类及邻域更新 | 第26-30页 |
| 2.3 算法步骤和模块图 | 第30-31页 |
| 2.4 实验结果分析 | 第31-44页 |
| 2.4.1 分层特征在主题筛选上的实验对比 | 第34-36页 |
| 2.4.2 基于主题筛选的两步邻域更新方法标注性能分析 | 第36-44页 |
| 2.5 本章小结 | 第44-45页 |
| 第三章 基于弱标签分集的标签权重提升标注方法 | 第45-67页 |
| 3.1 弱标签问题的分析与解决 | 第45-50页 |
| 3.1.1 弱标签问题产生的分析 | 第45-49页 |
| 3.1.2 弱标签问题的解决 | 第49-50页 |
| 3.2 弱标签均衡及标签加权 | 第50-55页 |
| 3.2.1 弱标签均衡 | 第50-52页 |
| 3.2.2 图像各类别标签共生概率加权分析 | 第52-55页 |
| 3.3 算法步骤及模块 | 第55-57页 |
| 3.4 实验结果与分析 | 第57-66页 |
| 3.4.1 标签集分布情况 | 第57-59页 |
| 3.4.2 标签加权系数计算 | 第59-61页 |
| 3.4.3 标注结果分析与对比 | 第61-66页 |
| 3.5 本章小结 | 第66-67页 |
| 总结 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 附表 | 第75页 |