| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 视觉特征描述 | 第13-14页 |
| 1.2.2 相似性排序 | 第14页 |
| 1.2.3 基于用户反馈的学习 | 第14-15页 |
| 1.3 现有方法存在的问题 | 第15-16页 |
| 1.4 本文研究内容及组织结构 | 第16-18页 |
| 2 基于内容图像检索概述 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 特征提取技术 | 第18-21页 |
| 2.2.1 基于全局特征的提取技术 | 第19-20页 |
| 2.2.2 基于局部特征的提取技术 | 第20-21页 |
| 2.3 相似性度量方法 | 第21-27页 |
| 2.3.1 传统的相似度量方法 | 第21-24页 |
| 2.3.2 图排序 | 第24-25页 |
| 2.3.3 利用相关反馈学习相似性度量 | 第25-27页 |
| 2.4 图像检索性能评价 | 第27-30页 |
| 2.4.1 查准率和查全率 | 第27-28页 |
| 2.4.2 命中准确率 | 第28页 |
| 2.4.3 AR和ANMRR | 第28-29页 |
| 2.4.4 匹配百分数 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于同兴趣近邻投票的视觉特征提炼方法 | 第31-47页 |
| 3.1 引言 | 第31-32页 |
| 3.2 基于同兴趣近邻投票的视觉特征提炼算法 | 第32-40页 |
| 3.2.1 视觉特征的提取以及表示 | 第33-35页 |
| 3.2.2 同兴趣近邻图像的确定 | 第35-36页 |
| 3.2.3 用同兴趣近邻图像为视觉特征投票 | 第36-39页 |
| 3.2.4 特征提炼 | 第39页 |
| 3.2.5 基于同兴趣近邻投票的视觉特征提炼算法框架 | 第39-40页 |
| 3.3 实验及结果分析 | 第40-46页 |
| 3.3.1 准备工作 | 第40页 |
| 3.3.2 同兴趣近邻图像个数对投票结果的影响 | 第40-42页 |
| 3.3.3 比较三种投票方案 | 第42-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 利用点击日志改进图排序算法 | 第47-56页 |
| 4.1 引言 | 第47-48页 |
| 4.2 利用点击日志改进图排序算法框架 | 第48-51页 |
| 4.2.1 预备知识 | 第48-49页 |
| 4.2.2 CCV:点击日志填充方案 | 第49页 |
| 4.2.3 GRS:用软标签改进图排序 | 第49-51页 |
| 4.2.4 CGVR算法框架 | 第51页 |
| 4.3 实验以及结果分析 | 第51-53页 |
| 4.3.1 准备工作 | 第51-52页 |
| 4.3.2 性能评价 | 第52-53页 |
| 4.4 本章小结 | 第53-56页 |
| 5 结论与展望 | 第56-58页 |
| 5.1 研究总结 | 第56页 |
| 5.2 工作展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |