估算每一幅图像在当前用户反馈下成为检索目标的概率,并通过贝叶斯公式将目标概率的计算转'/>
文摘
英文文摘
第一章引论
1.1研究背景
1.2相关工作
1.2.1 CBIR检索技术的发展
1.2.2已有的CBIR系统
1.3本文工作及内容组织
1.3.1本文主要工作
1.3.2内容组织
第二章基于内容的图像数据库检索系统
2.1 CBI R系统总体结构
2.2视觉特征提取及索引
2.2.1视觉特征提取
2.2.2特征索引
2.3相似性度量方法
第三章CBIR中的相关反馈:短期学习与长期学习
3.1用户相关反馈
3.2短期学习
3.2.1启发式参数调整
3.2.2最优化方法
3.2.2基于机器学习的方法
3.3长期学习
第四章贝叶斯检索模型中的相关反馈技术
4.1贝叶斯检索框架
4.1.1基本贝叶斯检索框架
4.1.2结合长期学习的扩展贝叶斯框架
4.2动态用户模型
4.2.1一般用户模型与特殊用户模型
4.3用户反馈模式
4.4动态用户模型学习
4.4.1用编辑距离度量用户模式的相似度
4.4.2特殊用户模型估算
4.5检索方法与流程
4.6实验与分析
4.6.1实验系统
4.6.2检索性能的衡量标准:
4.6.3实验结果与分析
第五章总结与将来的工作
5.1本文工作总结
5.2结论
5.3将来的工作
5.3.1基本网络结构
5.3.2相似度计算
5.3.2相关反馈
参考文献
攻读学位期间发表的论文
致谢
论文独创性声明及论文使用授权声明