| 摘要 | 第4-8页 |
| ABSTRACT | 第8-13页 |
| 第一章 绪论 | 第20-38页 |
| 1.1 课题来源 | 第20页 |
| 1.2 论文研究背景与意义 | 第20-22页 |
| 1.3 国内外研究现状 | 第22-33页 |
| 1.3.1 图像分类研究综述 | 第22-27页 |
| 1.3.2 图像标注研究综述 | 第27-33页 |
| 1.4 主要研究成果与创新点 | 第33-35页 |
| 1.5 论文组织 | 第35-38页 |
| 第二章 基于聚类集成的图像分割研究 | 第38-58页 |
| 2.1 问题的提出 | 第38-40页 |
| 2.2 基于聚类集成的图像分割算法(CE-IS)的提出 | 第40-46页 |
| 2.2.1 CE-IS算法的基本原理 | 第40-41页 |
| 2.2.2 基于特征-空间语义的子分割 | 第41-43页 |
| 2.2.3 子分割结果的聚类集成 | 第43-45页 |
| 2.2.4 聚类数量的选定 | 第45-46页 |
| 2.3 CE-IS算法实验与分析 | 第46-57页 |
| 2.3.1 数据集的选取 | 第46-47页 |
| 2.3.2 评估方法 | 第47页 |
| 2.3.3 CE-IS算法的实验设置 | 第47-48页 |
| 2.3.4 实验结果与分析 | 第48-57页 |
| 2.4 本章小结 | 第57-58页 |
| 第三章 基于范例对象语义表达的对象检测研究 | 第58-86页 |
| 3.1 问题的提出 | 第58-61页 |
| 3.2 与本章相关的研究工作 | 第61-63页 |
| 3.3 基于范例对象语义表达的对象检测算法(EOD)的提出 | 第63-64页 |
| 3.4 基于范例对象语义的对象表达与检测子的生成 | 第64-73页 |
| 3.4.1 范例对象和多特征树 | 第65-66页 |
| 3.4.2 多特征树的构建 | 第66-69页 |
| 3.4.3 范例对象的生成和EOSVM分类器的学习 | 第69-70页 |
| 3.4.4 基于范例对象语义的对象表达 | 第70-72页 |
| 3.4.5 对象检测子的生成 | 第72-73页 |
| 3.5 基于分割的检测窗口生成算法的提出 | 第73-75页 |
| 3.6 EOD算法实验与分析 | 第75-84页 |
| 3.6.1 检测窗口的生成质量评估实验 | 第75-79页 |
| 3.6.2 基于范例对象检测子的对象分类实验 | 第79-84页 |
| 3.7 本章小结 | 第84-86页 |
| 第四章 基于对象库语义表达的图像分类研究 | 第86-106页 |
| 4.1 问题的提出 | 第86-90页 |
| 4.2 与本章相关的研究工作 | 第90-91页 |
| 4.3 基于对象库语义表达的图像分类算法(EODB-N-GRAM)的提出 | 第91-93页 |
| 4.4 对象库的构建 | 第93-96页 |
| 4.4.1 生成对象检测子 | 第93-94页 |
| 4.4.2 构建N元对象组 | 第94-96页 |
| 4.5 基于N元对象组的场景语义建模与表达 | 第96-98页 |
| 4.5.1 基于一元对象的图像视觉内容的表达 | 第96页 |
| 4.5.2 基于二元对象组的图像场景语义建模 | 第96-97页 |
| 4.5.3 基于三元对象组的图像场景语义建模 | 第97-98页 |
| 4.6 基于对象库语义的图像分类 | 第98-99页 |
| 4.6.1 训练过程 | 第98页 |
| 4.6.2 分类过程 | 第98-99页 |
| 4.7 EODB-N-GRAM算法实验与分析 | 第99-104页 |
| 4.7.1 在Pascal VOC 2007数据集上的对象分类实验 | 第99-101页 |
| 4.7.2 基于对象库语义表达的场景图像分类实验 | 第101-104页 |
| 4.8 本章小结 | 第104-106页 |
| 第五章 基于网络热点话题的图像高层语义标注研究 | 第106-136页 |
| 5.1 问题的提出 | 第106-108页 |
| 5.2 与本章相关的研究工作 | 第108-109页 |
| 5.3 基于网络热点话题的图像高层语义标注算法(HLIA)的提出 | 第109-113页 |
| 5.3.1 基于网络热点话题的训练集动态更新子任务 | 第110-112页 |
| 5.3.2 基于搜索的图像标注子任务 | 第112-113页 |
| 5.4 基于网络热点话题的训练集更新 | 第113-119页 |
| 5.4.1 图像的表达和相似性判定方法 | 第114页 |
| 5.4.2 三种关联关系的建立 | 第114-115页 |
| 5.4.3 基于复杂图的主题发现和高层语义提取 | 第115-118页 |
| 5.4.4 标注数据集的更新 | 第118-119页 |
| 5.5 基于搜索机制的图像标注 | 第119-120页 |
| 5.5.1 基于超图模型的“去噪”过程 | 第119页 |
| 5.5.2 待标注图像的标注过程 | 第119-120页 |
| 5.6 HLIA算法的实验结果与分析 | 第120-134页 |
| 5.6.1 数据集和评价标准 | 第120-123页 |
| 5.6.2 实验一：基于搜索机制的图像标注性能评估实验 | 第123-125页 |
| 5.6.3 实验二：基于复杂图的主题发现和高层语义提取有效性评估实验 | 第125-130页 |
| 5.6.4 实验三：基于网络热点话题的训练集更新的有效性评估实验 | 第130-132页 |
| 5.6.5 实验四：网络模拟环境下的标注性能评估实验与分析 | 第132-134页 |
| 5.7 本章小结 | 第134-136页 |
| 第六章 基于文本语义的图像自动生成系统的实现 | 第136-162页 |
| 6.1 问题的提出 | 第136-138页 |
| 6.2 与本章相关的研究工作 | 第138-140页 |
| 6.3 基于文本语义的图像自动生成系统(TTI)的建立 | 第140-143页 |
| 6.3.1 文本语义词的提取 | 第141页 |
| 6.3.2 文本语义到图像语义的转换 | 第141-143页 |
| 6.3.3 图像场景语义的空间布局 | 第143页 |
| 6.4 文本-图像的语义转换 | 第143-148页 |
| 6.4.1 三种关联关系的建模 | 第143-147页 |
| 6.4.2 基于Rankboost的对象词选取 | 第147-148页 |
| 6.5 基于视觉语法的空间布局建模 | 第148-154页 |
| 6.5.1 视觉语法的建模和TTI模板的生成 | 第149-151页 |
| 6.5.2 基于TTI模板匹配的图像生成 | 第151-154页 |
| 6.6 基于TTI模板匹配的图像标注与分类实验 | 第154-160页 |
| 6.6.1 TTI系统的构建 | 第155-156页 |
| 6.6.2 基于TTI模板匹配的图像标注实验 | 第156-159页 |
| 6.6.3 基于TTI模板匹配的图像分类实验 | 第159-160页 |
| 6.7 本章小结 | 第160-162页 |
| 第七章 总结与展望 | 第162-166页 |
| 7.1 论文总结 | 第162-165页 |
| 7.2 工作展望 | 第165-166页 |
| 参考文献 | 第166-182页 |
| 致谢 | 第182-184页 |
| 攻读博士学位期间的科研成果 | 第184-186页 |
