声明
1 绪论
1.1 研究背景及意义
1.2 本课题研究进展及现状
1.2.1 CBIR和CBIC技术工作原理概述
1.2.2 CBIR和CBIC技术的发展及现状
1.3 本文的主要工作
1.4 本文结构安排
2 图像特征表示模型概述
2.1 引言
2.2 图像的底层特征表示
2.2.1 全局特征
2.2.2 局部特征
2.3 图像的特征表达模型
2.3.1 BoVW模型
2.3.2 SPM模型
2.4 图像的特征学习模型
2.4.1 基于矩阵分解的图像特征学习模型
2.4.2 基于深度学习的图像特征学习模型
2.5 本章小结
3 基于稀疏表示和特征融合的图像检索方法
3.1 引言
3.2 基于稀疏表示的稀疏特征学习模型
3.2.1 基于稀疏表示的稀疏特征学习模型
3.2.2 基于稀疏表示的稀疏特征学习模型的关键步骤
3.3 稀疏表示
3.3.1 稀疏表示模型
3.3.2 系数学习算法a.凸松弛算法
3.4 字典学习
3.4.1 字典学习概述
3.4.2 MOD算法
3.4.3 K-SVD算法
3.5 特征池化
3.5.1 常用特征池化方法
3.5.2 空间金字塔池化
3.6 基于稀疏表示和特征融合的图像检索方法
3.6.1 特征融合思路框架
3.6.2Gist场景特征提取(Generalized Search Tree)
3.6.3 基于稀疏表示和特征融合的图像检索框架
3.7 实验设计及性能分析
3.7.1 实验环境和评价指标
3.7.2 实验结果分析
3.8 本章小结
4 基于卷积深度置信网络的图像分类和检索方法
4.1 引言
4.2 卷积深度置信网络CDBN
4.2.1 卷积受限玻尔兹曼机CRBM
4.2.2 稀疏正则化
4.2.3 概率型最大值池化
4.2.4 CDBN的构建及训练
4.2.5 softmax分类器
4.3 基于卷积深度置信网络的图像分类与检索框架
4.3.1 基于CDBN模型的特征提取
4.3.2 基于CDBN模型的图像分类与检索框架
4.4 实验设计及性能分析
4.4.1 实验环境和数据集a.实验环境和参数设置
4.4.2 实验结果分析
4.5 本章小结
5 总结与展望
5.1 本文总结
5.2 研究展望
致谢
参考文献
攻读硕士期间主要研究成果
西安理工大学;