基于深度学习的图像自动标注算法研究

目录

声明

第1章绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 本文研究内容

1.4 本文组织结构

第2章相关理论和基础知识

2.1 图像自动标注的定义

2.2 图像自动标注的难点

2.3 人工神经网络

2.3.1 神经元

2.3.2 前馈神经网络

2.3.3 反向传播

2.4 卷积神经网络

2.4.1 卷积层

2.4.2 池化

2.5 循环神经网络

2.6 本章小结

第3章基于加权多视图非负矩阵分解的图像自动标注

3.1 引言

3.2 基于加权多视图非负矩阵分解的图像自动标注

3.2.1多视图聚类基本原理

3.2.2非负矩阵分解

3.2.3加权多视图非负矩阵分解

3.2.4 增加稀有标签的权重

3.2.5查询图像的标签

3.3 实验设置与评价标准

3.3.1 特征提取

3.3.2 实验数据

3.3.3 评价标准

3.4 实验结果与分析

3.5 本章小结

第4章基于级联网络和语义层次结构的图像自动标注

4.1 引言

4.2 基于级联网络和语义层次结构的图像自动标注

4.2.1特征提取

4.2.2 条件DPP模型

4.2.3 构建语义层次结构

4.2.4加权语义路径

4.2.5 具有加权语义路径的k-DPP采样

4.3.1 实验设置

4.3.2 评估指标

4.4 实验结果与分析

4.4.1 实验结果与分析

4.4.2 实际标注效果对比

4.5 本章小结

第5章基于LSTM循环神经网络的图像自动标注

5.1 引言

5.2 基于LSTM循环神经网络的图像自动标注

5.2.1 图像嵌入

5.2.2 图像嵌入

5.2.3 标签序列生成

5.2.4 标签序列顺序

5.3 实验数据与评估标准

5.3.1 实验数据

5.3.2 评价标准

5.4 实验设置与分析

5.4.1 实验设置

5.4.2 实验结果与分析

5.5 本章小结

结 论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致 谢