图像检索中的浅语义鸿沟词库构建方法研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题研究的背景及意义 | 第9-12页 |
| 1.2 图像检索中语义词库的研究现状 | 第12-16页 |
| 1.2.1 人为定义的语义词库 | 第12-14页 |
| 1.2.2 标注生成的语义词库 | 第14-16页 |
| 1.3 本文内容安排 | 第16-18页 |
| 第二章 构建浅语义鸿沟词库的基本框架 | 第18-25页 |
| 2.1 词库构建的基本框架 | 第18-19页 |
| 2.2 图像数据库的搜集和准备 | 第19-21页 |
| 2.2.1 图像的文本信息索引 | 第19-21页 |
| 2.2.2 图像的视觉信息索引 | 第21页 |
| 2.3 图像视觉-文本置信度的衡量 | 第21-23页 |
| 2.4 高置信度图像集合的聚类 | 第23页 |
| 2.5 基于文本信息的关键词提取 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 仿射传播聚类算法 | 第25-44页 |
| 3.1 聚类问题的基本描述 | 第25-28页 |
| 3.1.1 聚类数据的表征 | 第25-26页 |
| 3.1.2 聚类问题中的基本定义 | 第26页 |
| 3.1.3 聚类问题中的相似性度量 | 第26-28页 |
| 3.2 聚类算法分类 | 第28-30页 |
| 3.3 常见的一些聚类算法 | 第30-36页 |
| 3.3.1 基于平方误差的迭代重分配聚类算法 | 第30-33页 |
| 3.3.2 BIRCH 算法 | 第33页 |
| 3.3.3 CURE 算法 | 第33-34页 |
| 3.3.4 DBSCAN 算法 | 第34页 |
| 3.3.5 STING 算法 | 第34-35页 |
| 3.3.6 机器学习中的聚类算法 | 第35页 |
| 3.3.7 用于高维数据的聚类算法 | 第35-36页 |
| 3.4 仿射传播聚类算法 | 第36-40页 |
| 3.4.1 仿射传播聚类算法的具体步骤 | 第36-39页 |
| 3.4.2 仿射传播聚类算法的本质 | 第39-40页 |
| 3.5 基于仿射传播聚类算法的图像聚类 | 第40-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于视觉特征和鸿沟模型的浅语义鸿沟词库 | 第44-72页 |
| 4.1 视觉特征 | 第44-54页 |
| 4.1.1 颜色特征 | 第45-50页 |
| 4.1.2 纹理特征 | 第50-53页 |
| 4.1.3 形状特征 | 第53页 |
| 4.1.4 空间关系特征 | 第53-54页 |
| 4.2 语义鸿沟模型 | 第54-57页 |
| 4.2.1 文本扩散语义鸿沟模型 | 第55-56页 |
| 4.2.2 视觉扩散语义鸿沟模型 | 第56-57页 |
| 4.3 基于视觉特征的浅语义鸿沟词库 | 第57-63页 |
| 4.3.1 基本原理 | 第57-58页 |
| 4.3.2 实验步骤 | 第58-60页 |
| 4.3.3 实验结果 | 第60-62页 |
| 4.3.4 具体应用 | 第62-63页 |
| 4.4 基于鸿沟模型的浅语义鸿沟词库 | 第63-71页 |
| 4.4.1 基本原理 | 第63-64页 |
| 4.4.2 实验步骤 | 第64-65页 |
| 4.4.3 实验结果 | 第65-67页 |
| 4.4.4 具体应用 | 第67-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 本文总结 | 第72-73页 |
| 5.2 研究展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 攻读硕士学位期间已发表或录用的论文 | 第80-82页 |
