文摘
英文文摘
论文说明:图表目录
声明
第1章绪论
1.1 研究背景与研究意义
1.1.1 研究背景
1.1.2 研究意义
1.2 关键问题与研究任务
1.2.1 关键问题
1.2.2 研究任务
1.3 研究内容与结构安排
第2章 自动图像标注研究现状
2.1 总体研究状况
2.2 基于统计分类的自动图像标注方法
2.3 基于贝叶斯统计的自动图像标注方法
2.4 基于主题模型的自动图像标注方法
2.5 基于图模型的自动图像标注方法
2.6 基于搜索的自动图像标注方法
2.7 其它方法
2.8 本章小结
第3章 基于大规模学习算法的自动图像标注
3.1 引言
3.2 大规模距离尺度学习算法
3.2.1 研究动机
3.2.2 区分性距离尺度学习算法
3.2.3 大规模区分性距离尺度学习算法
3.2.4 集成距离尺度学习算法ADML Ⅰ
3.2.5 ADMLⅠ的渐进性质
3.2.6 改进的集成距离尺度学习算法ADMLⅡ
3.2.7 ADMLⅡ的渐进性质
3.2.8 时间和空间复杂度分析
3.3 大规模距离尺度学习算法实验结果
3.3.1 人工数据的实验
3.3.2 自动图像标注实验
3.4 大规模支持向量机算法
3.4.1 相关工作
3.4.2 支持向量机
3.4.3 集成线性支持向量机
3.4.4 使用不同的损失函数
3.4.5 渐进性质
3.4.6 使用Mercer核
3.4.7 考虑偏差项
3.4.8 复杂性分析
3.5 大规模支持向量机算法实验结果
3.5.1 人工数据实验
3.5.2 真实世界数据集介绍
3.5.3 集成支持向量机的性能
3.5.4 集成支持向量机的效率与可扩展性
3.6 本章小结
第4章 基于二部图加强模型的网络图像标注方法
4.1 引言
4.2 二部图加强模型框架
4.3 候选标注提取
4.3.1 初始标注提取
4.3.2 扩展标注提取
4.4 候选标注排序
4.4.1 初始标注排序
4.4.2 扩展标注排序
4.5 二部图建立与加强学习
4.5.1 二部图构建
4.5.2 加强学习算法
4.5.3 算法收敛性分析
4.5.4 与HITS算法的比较
4.6 基于BGRM的图像标注选择策略
4.6.1 Top N策略
4.6.2 阈值策略
4.6.3 改进的阈值策略
4.6.4 标注结果综合
4.7 实验结果
4.7.1 实验数据
4.7.2 实验评价
4.7.3 初始标注排序的性能
4.7.4 扩展标注排序的性能
4.7.5 最终标注的性能
4.7.6 BGRM的有效性
4.7.7 图像检索的性能
4.7.8 图像标注举例
4.8 本章小结
第5章 跨语言图像标注
5.1 引言
5.2 相关工作
5.3 跨语言图像标注框架
5.4 基于统计的图像标注模型
5.4.1 聚类
5.4.2 聚类建模
5.4.3 个人图像标注模型
5.4.4 网络图像标注模型
5.4.5 标注重排序
5.5 多语言标注融合
5.5.1 多语言标注的关系
5.5.2 多语言标注的翻译
5.5.3 多语言标注的排序
5.5.4 基于N部图模型的多语言标注融合
5.6 实验结果
5.6.1 实验设置
5.6.2 网络图像标注实验
5.6.3 个人图像标注实验
5.6.4 基于统计的图像标注方法实验
5.7 本章小结
第6章 基于优化的图像标注改善
6.1 引言
6.2 图像标注改善
6.2.1 优化模型
6.2.2 标注的语义先验概率与联合概率
6.2.3 数字优化模型
6.2.4 数字优化模型的快速算法
6.2.5 不同搜索行为的标签改善
6.3 实验结果
6.3.1 实验设置
6.3.2 有标签图像的标注改善
6.3.3 无标签图像的标注改善
6.3.4 无标签图像的标注个性化改善
6.4 本章小结
第7章 自动图像标注在图像检索中的应用
7.1 引言
7.2 图像收集与表示
7.2.1 图像数据库
7.2.2 图像表示
7.2.3 实验结果
7.3 图像排序
7.3.1 引言
7.3.2 SocialRank
7.3.3 实验结果
7.4 图像检索演示系统展示
7.5 本章小结
第8章 工作总结与未来展望
8.1 工作总结
8.2 未来展望
附录第3章定理证明
参考文献
在读期间发表的学术论文与取得的研究成果
项目资助情况
作者简历
致谢