| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 图像分类概述 | 第9页 |
| 1.2 图像多标签分类的发展与现状 | 第9-10页 |
| 1.3 深度学习对图像多标签分类的意义 | 第10-12页 |
| 1.4 本文主要工作及创新点 | 第12-15页 |
| 1.4.1 研究问题 | 第12页 |
| 1.4.2 研究内容 | 第12-13页 |
| 1.4.3 创新点 | 第13页 |
| 1.4.4 论文结构 | 第13-15页 |
| 第二章 图像多标签分类技术研究 | 第15-25页 |
| 2.1 多标签相关概念 | 第15-16页 |
| 2.1.1 多标签分类概念 | 第15-16页 |
| 2.1.2 标签相关性 | 第16页 |
| 2.2 多标签分类基本算法 | 第16-22页 |
| 2.2.1 问题转化法 | 第17-21页 |
| 2.2.2 算法适应法 | 第21-22页 |
| 2.3 多标签分类评价标准 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 深度学习理论研究 | 第25-35页 |
| 3.1 深度学习的背景 | 第25页 |
| 3.2 深度学习模型的类别 | 第25-33页 |
| 3.2.1 自动编码器(autoencoder) | 第26-27页 |
| 3.2.2 稀疏编码(Sparse Coding) | 第27-28页 |
| 3.2.3 限制玻尔兹曼机(RBM) | 第28-29页 |
| 3.2.4 深度置信网 | 第29-30页 |
| 3.2.5 卷积神经网络 | 第30-33页 |
| 3.3 本章小结 | 第33-35页 |
| 第四章 基于卷积神经网络的图像特征提取算法研究 | 第35-41页 |
| 4.1 图像基准库 | 第35页 |
| 4.2 图像预处理 | 第35-36页 |
| 4.2.1 图像预处理的动机 | 第35-36页 |
| 4.2.2 图像预处理过程 | 第36页 |
| 4.3 基于CNN的图像特征提取算法 | 第36-40页 |
| 4.3.1 CNN网络结构 | 第37页 |
| 4.3.2 CNN网络训练过程 | 第37-39页 |
| 4.3.3 特征降维 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 基于CNN-RAkEL的图像多标签分类算法 | 第41-49页 |
| 5.1 算法的设计动机 | 第41-42页 |
| 5.2 基于CNN-RAkEL的图像多标签分类算法 | 第42-45页 |
| 5.2.1 CNN与RAkEL的结合原理 | 第42-44页 |
| 5.2.2 基于CNN-RAkEL的多标签分类系统结构 | 第44-45页 |
| 5.3 基于CNN-RAkEL的图像多标签分类算法实验 | 第45页 |
| 5.3.1 实验数据集 | 第45页 |
| 5.3.2 实验环境 | 第45页 |
| 5.3.3 实验步骤 | 第45页 |
| 5.4 实验结果与分析 | 第45-47页 |
| 5.4.1 实验结果 | 第45-46页 |
| 5.4.2 实验分析 | 第46-47页 |
| 5.5 本章小结 | 第47-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 课题总结 | 第49-50页 |
| 6.2 未来展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55页 |
