基于深度神经网络的图像特征表示方法研究

目录

声明

专有名词缩写

符号使用说明

第一章 绪论

1.1 选题背景及意义

1.2 国内外研究现状

1.2.1 图像块级特征表示

1.2.2 图像级特征表示

1.2.3 图像序列特征表示

1.3 论文的研究内容和贡献

1.4 论文的组织结构

第二章 深度神经网络的基础理论

2.1 前馈神经网络

2.1.1 前馈神经网络的前向传播

2.1.2 前馈神经网络的反向传播

2.2 卷积神经网络

2.2.1 卷积神经网络的前向传播

2.2.2 卷积神经网络的反向传播

2.3 神经网络的激活函数

2.4 神经网络的损失函数

2.5 神经网络参数的优化方法

2.6 本章小结

第三章 基于多尺度特征聚合的图像块特征表示模型

3.1 引言

3.2 特征描述子数学描述模型

3.3 基于多尺度聚合的特征描述子算法

3.3.1 数据预处理和数据采样

3.3.2 网络结构模型

3.3.3 网络损失函数

3.4 实验与分析

3.4.1 数据集与评估方法

3.4.2 实验参数配置

3.4.3 图像块描述子实验与分析

3.4.4 消融实验

3.4.5 图像检索实验

3.4.6 宽基线三维影像实验

3.5 本章小结

第四章 基于局部二值的旋转不变图像级特征表示模型

4.1 引言

4.2 旋转不变局部二值卷积神经网络结构

4.2.1 神经网络参数初始化

4.2.2 局部二值卷积神经网络

4.2.3 主动旋转滤波器

4.2.4 局部二值方向模块

4.2.5 局部二值方向模块的参数更新

4.2.6 旋转不变局部二值卷积神经网络

4.3 实验与分析

4.3.1 实验设置

4.3.2 MNIST数据集介绍

4.3.3 LBoM模块的消融实验与分析

4.3.4 MNIST数据集上的实验与分析

4.3.5 纹理分类实验与分析

4.3.6 自然图像分类实验与分析

4.4 实验讨论

4.5 本章小结

第五章 基于深度CNN的图像序列特征表示模型

5.1 引言

5.2 问题描述与数学模型描述

5.2.1 视频关键帧提取

5.2.2 基于深度CNN的图像序列特征表示

5.2.3 基于视频片段的时序一致性约束

5.3 实验与分析

5.3.1 实验设置

5.3.2 Columbia’s TRECVID2003数据集中特征评测

5.3.3 基于图模型方法的参数灵敏度实验

5.3.4 拷贝视频检测数据集上的实验与分析

5.4 本章小结

第六章 总结与展望

6.1 论文工作总结

6.2 未来工作展望

致谢

参考文献

作者在学期间取得的学术成果