一、易于扩充的图像检索平台实现（论文文献综述）
卢万杰[1]（2020）在《空间目标态势认知与服务关键技术研究》文中提出航天强国对空间角逐的态势日趋复杂,太空（空间）已成为世界各国争相抢夺的战略制高点。为了维护空间安全,保障空间利益,支持空间活动,需要及时准确地获取空间目标当前的运行状态,并掌控未来的变化趋势,即空间目标态势。空间目标态势的认知与服务技术能够从海量的空间目标探测数据和信息中提取知识并为空间决策提供有力支持,其研究对维护国家空间安全具有重要意义。近年来在该领域已取得了很多研究成果,但在多源异构数据的处理与融合、服务功能的集成与共享、动态时空背景下复杂要素的高效分析和统一认知等研究方向上仍存在许多难题亟待解决。本文围绕空间目标态势认知与服务的关键技术开展研究,主要成果和创新点包括:1.提出了空间目标态势领域本体模型SOSDO,实现了领域内数据、信息和知识的全局描述和有效共享。通过明确空间目标态势领域本体的主要研究对象、作用和目的,分析了领域本体的组成,并基于混合本体模式设计了空间目标态势领域本体。以资源三号02星为例构建了空间目标态势领域的本体实例和推理规则,并对资源三号02星的相关知识进行了推理。2.基于本体技术实现了空间目标态势领域内多源异构数据的高效存储、集成和检索。基于混合SQL/No SQL设计了多源异构数据存储方法,实现了对不同结构数据的高效管理;建立了底层数据、局部本体和全局本体之间的映射关系,实现了基于本体的多源异构数据集成;设计了数据检索和语义检索以满足不同应用场景对空间目标态势信息的动态需求,并通过实例进行验证。3.构建了面向离线和实时计算的空间目标态势数据分析与处理模型,实现了不同应用场景下的高效分析与处理。基于Lambda架构构建了面向海量数据的分析框架和面向时空特性的处理模型。以改进的遥感卫星区域覆盖分析和优化的空间目标接近分析为案例,对数据分析与处理模型进行了验证,实验结果表明,空间目标态势数据分析与处理模型能够满足空间目标态势领域对高效计算能力的需求。4.针对空间目标态势知识的获取,从不同角度出发提出了认知方法。利用时空本体对领域内的复杂空间关系和时间关系进行建模;设计了空间目标轨道状态认知模型,利用轨道状态语义表示实现了对轨道状态变化以及各种复杂关系的描述,并基于动态贝叶斯网络实现了对轨道状态的动态推理;基于基本形式本体,设计了空间目标行为与事件认知模型,实现了统一时空框架下对空间目标的行为和事件的动态描述、分析和推理;利用多层次语义关系解析模型和多元素知识构建模型,实现了领域内“数据-信息-知识”的转化,并基于知识图谱实现了认知结果的结构化与形式化表达。仿真校验与分析结果表明,本文方法能够有效提取领域知识,并辅助应用于空间目标态势的认知。5.提出了基于微服务架构的空间目标态势服务方法,实现了领域内多源异构的算法、服务与组件的管理、集成和应用。提出了基于OWL-S的空间目标态势服务与组件本体,实现了对服务与组件及其关系的语义描述,并利用服务的发现、共享和动态组合实现了复杂空间目标态势分析功能的构建;基于微服务架构,实现了对多源异构的算法、组件和服务的部署、管理与集成,并利用分布式计算环境和统一访问接口实现高效服务;基于可视化组件设计了空间目标态势认知结果的表达方式。6.综合集成已有研究成果,自主设计并开发了空间目标态势认知与服务原型系统SOSKS。本文从多源异构数据管理、信息可视化展示、态势认知与推理、多源异构功能管理等方面对原型系统的应用成果进行了较为全面的描述,并简要介绍了原型系统的应用案例。初步应用结果表明,原型系统可为空间目标态势领域的认知和服务提供有力的数据、信息和知识保障以及辅助决策的平台支撑。
朱赟,韩炜,吴炜[2]（2002）在《易于扩充的图像检索平台实现》文中指出介绍一个易于扩充的图像检索平台之设计思想。该平台通过在较高抽象层次上的对象描述技术,实现了图像特征量的易扩充性、细节信息的高隐蔽性以及较高的系统安全性。
段跃锋[3]（2021）在《基于深度学习的跨媒体科技资源立体精准画像研究》文中进行了进一步梳理近年来,随着科技的飞速发展,科研成果的数量以一种爆炸式增长趋势持续上升,每天会有近万篇新的学术文献被公开发表。伴随着移动互联网的兴起,各大学术机构和相关数据服务公司都对外开放了大量的学术数据,相关的科技资讯也趋于井喷式的爆发,增加了在科技内容之间的曝光度。以上资源一般包含有多模态类型数据,例如有文本和图像类型。不同模态间的资源信息数据结构具有巨大的差异,一般是以非结构化的形式进行展示。这会导致即使投入精力,也只是获取到大量的无效信息。如何从这些海量的科技资源中挖掘分析其核心有效信息具有非常重要的意义。本文完成的主要工作如下:（1）提出了科技资源信息的数据采集方案与基于深度学习的跨媒体语义特征提取算法以实现对跨媒体科技资源信息的语义特征提取。采用分布式爬虫技术与海量信息存储技术进行对科技资源信息的数据采集,并利用深度网络模型实现对科技资源文本与图像的语义特征向量提取。（2）提出了科技资源实体信息与实体关联关系挖掘与发现方法,提出了基于BERT融合局部特征的注意力机制的科技实体抽取算法（BBLAC）,实现了对科技资源信息中无效信息的过滤,对核心有效信息进行抽取。实验结果表明,在抽取实体信息实验中本文算法结果指标均优于对比算法。提出了基于多重维度的科技资源实体关键词相似关系判定算法（MDESJ）,实现了对科技实体间相似关联关系的扩充,完成对科技资源的立体画像。（3）提出了科技资源实体的跨媒体语义关联关系分析与抽取方法,提出了基于生成对抗网络与共享语义结构的科技资源跨媒体语义关联算法（SSGACA）,使用跨媒体检索技术实现文本对图像的检索,以更为直观高效的图像方式展示出多模态信息,实现对科技资源立体画像的多媒体资源内容的补充。（4）设计并实现了基于深度学习的跨媒体科技资源立体精准画像系统。系统主要包含以下几个模块:基于深度学习的科技资源实体的跨媒体语义特征提取与表达模块、科技资源实体信息与实体关联关系挖掘与发现模块、科技资源实体的跨媒体语义关联关系分析与抽取。主要实现了以下几个功能:数据采集、科技资源立体画像、跨媒体科技资源检索与展示。并对系统进行了测试与验证。
张良[4]（2021）在《基于深度学习的智能无线感知方法研究》文中认为现如今物联网正在快速发展,无线数据流量的需求随之迅猛增长,多种无线信号,如WiFi、蓝牙、毫米波等充斥在人们的工作和生活空间。无线信号除了可以进行通信外,还可以被用来实现感知覆盖范围内目标信息状态,如位置、速度、手势、步态、生命体征等。目标的不同状态对无线信号的反射、折射、散射等现象会产生不同的影响,无线感知技术通过揭示和分析目标对周围无线信号的影响模式,实现不同的感知任务。凭借其不需携带任何设备、易部署、不引起隐私泄露和极高的安全性等优势,无线感知技术在智能家居、人机交互、安防救援等方面有着广阔的应用前景。近年来深度学习在计算机视觉领域取得巨大成功。现存的一些研究已经证明,无线感知技术可以从中受益,传统的无线网络逐渐向具有目标状态感知能力的智能无线网络演进,向泛在感知迈出了崭新一步。然而,目前基于深度学习的无线感知技术走向实用仍面临着一些挑战,例如,某场景下训练好的感知模型在新工作条件适应性差,重新学习训练成本高,以及无线数据训练样本不足等引起模型退化、感知性能下降等问题。当遇到新工作条件下的感知任务时,基于深度学习的无线感知系统往往需要新场景下的大量无线数据参与深度网络的重新训练,这降低了感知模型的工作效率。针对此,本文提出一种基于元学习的无线感知方法,训练基于深度学习的感知模型去学习无线样本中可迁移性知识,学会自动评估不同无线样本特征距离,仅需要少量样本即可快速适应新工作条件下的无线感知任务,以较小的训练代价有效地缓解了模型退化问题,提升了基于训练场景构建的感知模型在新应用场景中的适用性。由于无线样本采集条件严苛,获取无线数据通常费时费力,当无线数据训练样本不足时,基于深度学习的无线感知系统难以学习到无线数据中的本质特征,致使感知系统性能下降。针对此,本文提出基于生成对抗的无线感知方法,开发利用生成对抗网络合成虚拟的射频图像,优化了对抗网络结构并强化了约束条件,最大化地获取无线数据样本中蕴含的丰富信息,实现对少样本条件下无线数据增广,从而以较小的样本采集代价优化无线感知模型,提升深度无线感知网络的泛化能力。本文基于WiFi与毫米波信号,设计了手语、手写字以及人体手势识别实验,分别验证了基于元学习的无线感知方法和基于生成对抗的无线感知方法。结果表明,本文提出的基于深度学习的智能无线感知方法以较小训练代价提升无线感知模型的场景适应性,并以较小的实验样本采集代价扩充无线数据集,构建了高性能的无线感知系统。
侯刚[5]（2021）在《基于古生物三维模型的化石图像检索技术研究》文中指出化石图像作为化石标本的信息载体,是古生物学者之间讨论古生物分类学和系统学的重要依据。准确且自动化的化石图像检索,不仅有助于古生物学者建立生物演化关系,而且有助于古生物爱好者学习古生物知识。虽然使用常规计算机图像领域的方法可以对化石图像进行自动化识别和检索,并可以有效减轻化石图像检索过程中的错误率和主观性,但是,存在两个主要的问题:一是真实的化石图像数据量不足,导致模型泛化性能低;二是化石图像中主体与背景相容,使得提取的特征含有大量噪声,导致检索准确率不高。因此,针对上述两个问题,本文提出一种基于古生物三维模型的化石图像检索方法。本文的主要研究内容包括:（1）针对化石图像数据量不足,导致深度学习网络泛化性能低的问题,本文提出一种基于三维模型视图的化石图像扩充方法。该方法将古生物三维模型映射为多视角二维图像,并挖掘映射的二维图像与化石图像之间的相关信息。实验发现,该方法合成的化石图像不仅主观感受细腻真实;同时由合成图像训练的深度学习网络性能可获得极大提升,表明合成图像中具有丰富且有意义的化石特征。（2）针对古生物化石图像背景与主体相容,直接进行图像特征提取存在大量噪声的问题,本文提出一种基于实例迁移的化石图像显着性检测方法。该方法采用迁移学习对真实化石图像进行显着性检测,并以此得到化石图像的显着特征。实验结果表明,生成的仿真化石图像和迁移学习在真实化石图像显着性检测中具有可行性和有效性。（3）针对在较为复杂的化石图像中显着特征缺失,导致检索准确率低的问题,本文提出一种基于显着特征和全局特征融合的化石图像检索方法。该方法把显着性检测网络提取的显着特征和分类网络提取的全局特征进行融合后联合表达化石图像。实验结果表明,融合特征的方法能够提高分类准确率;以Resnet18和Resnet50为基网络,分别进行特征融合,分类准确率分别提升8%和11%;在检索性能上,平均准确率8)达到了94.4%,并且在限制容错范围的情况下,与其他方法对比,本文方法的准确率较高。综上所述,本文提出的方法能够实现化石图像的识别和检索任务,有效提升了化石图像的检索的准确率及效率,有助于古生物学者进行化石图像的研究工作。
司学飞[6]（2021）在《基于深度学习的图像检索技术研究及应用》文中研究表明“十四五”规划纲要指出:加快数字化发展,打造数字经济新优势,建设数字中国。数字化必将深刻引领社会变革,数字化落地是当代科研工作者将理论与现实结合的重大使命。全面数字化的实现需要强大的算力中枢和优良的算法系统。图像检索领域的研究是数字化社会的重要内容。如何快速且准确的在海量图像中检索出所需图像是一项具有挑战性的任务,本文在传统图像检索的基础上加以改进,对其经典算法进行深入改良,结合深度学习技术在提取深度语义特征方面的优势,研究出一种以深度学习框架为基础的能够快速处理海量数据的图像检索算法,主要工作内容及创新如下:1、鉴于深度学习在提取深度语义特征方面强大的能力,本文以Inception-v3模块为核心加入双线性注意力机制构造深度神经网络,同时为了处理有数据缺陷的规模数据和更深入提取图像特征,本文借鉴生成对抗网络的架构,搭建对抗数据增强模块,以增强主干网络特征提取能力。在CUB-200-2011、Stanford Cars、FGVC Aircraft三个细粒度图像数据集上进行对比试验,证明本文方法对细粒度图像的可区别性特征的提取性能更好,从而为检索的精确度打下良好的基础。2、在索引构建方面,本文采用基于深度神经网络的哈希算法,并且和特征提取网络是级联关系,有助于整体模型的训练。本文引入哈希中心的概念并提出一种全新的中心相似性度量方法,用于快速生成优质的二进制哈希码,并提出中心量化损失函数用于训练模型的收敛性。分别以Res Net50和本文特征提取网络为主干网,以CNNH、DNNH、DHN、Hash Net和中心相似度量哈希为哈希码学习层,以Image Net、MS COCO、PASCAL VOC、Veg Fru、Food101为实验数据集进行多组交叉实验,最终证明本文的特征提取主干网和中心相似度量哈希组合的检索框架明显在三组指标上优于其他组合,具有精度高、检索速度快且易训练的三重优良特质。3、本文在此检索算法的基础上利用Java、C++在windows和Centos平台开发中考理化实验图像关键帧检索系统,验证本算法的可行性。
吴寿镒[7]（2021）在《WebAR平台大规模图像检索系统的研究与实现》文中认为图像识别是WebAR的基础技术之一,该应用场景下常用基于特征点的图像匹配技术方案,其用于比较待识别图与模版图之间的特征点匹配程度。该方案虽然可以给出准确的匹配结果,但其运行速度过慢,在大规模图片量下无法满足WebAR服务的需求。为了解决该问题,本文引入了图像检索技术,通过大幅减少需要进行图像匹配的模版图数量来加速图像识别流程,其与图像匹配技术相互搭配,共同为WebAR平台提供图像识别服务。图像检索技术在算法层面包含两个部分,即图像嵌入算法和向量搜索算法,前者用于提取图片的特征并转换为定长嵌入向量,后者用于在模版图嵌入矩阵中快速筛选出与待识别图嵌入向量最相似的小部分模版图。在图像嵌入算法方面,本文使用卷积神经网络提取图像嵌入,用于实现自然图片到定长向量的映射,本文中通过分析WebAR场景下图片的特点,设计了适当的数据增强方法与损失函数,完成训练后该模型在测试集上的Top-20召回准确率达到90%以上。在向量搜索算法方面,本文首先通过PCA算法,在精度损失非常少的前提下大幅压缩了图像嵌入维度,降低了内存消耗并提升了向量计算速度。此外,本文中通过计算优化方法大幅降低了欧氏距离计算与向量距离排序时间。同时,本文中还对多种近似最近邻搜索算法进行了实验,探究其用于WebAR场景的可行性。基于前述工作,本文中构建了一套完整的适用于WebAR场景的图像检索系统,该系统在大规模数据量下也可快速返回图像检索结果。此外,为了进一步提升图像检索服务的稳定性与响应速度,本文中引入边缘计算,构建了一种云边协同服务机制,以边缘端服务为主,云端服务为辅,共同服务于WebAR平台,同时,通过图像检索服务容器化,提升了系统可扩展性与快速迁移能力。综上,本文重点在于提升WebAR场景下图像识别的速度,使其可应用于大规模图像数据,同时设计并实现了一套稳定、可扩展、低响应时间并提供云边协同服务的图像检索系统。
陆远哲[8]（2021）在《基于小样本学习的目标识别方法研究》文中研究说明目前深度学习已经在图像分类,目标识别等多个领域取得了巨大的进步。由于标注数据的缺乏,深度学习算法依然不能像人类一样,凭借少量的训练样本将学到的知识推广到新场景中。因此,为了弥补人工智能与类人学习之间的鸿沟,小样本学习的问题受到了广泛关注。针对现有的小样本学习方法中存在的问题,本文设计了新的小样本学习方法,并将其应用到目标识别中。本文的主要贡献有如下几个方面。1.针对原型网络在特征提取的过程中忽略支持集的整体特征的问题,本文设计了一种基于Transformer小样本学习方法。该方法设计了Transformer特征迁移模块,根据支持集中不同类别特征对支持集的整体特征进行精炼实现特征空间的特征迁移。另外,设计了分组正则化模块,通过计算询问集样本与不同类别原型的相似度并根据硬样本的标签显式的监督特征空间对硬样本的聚类效果,从而提升特征空间的泛化能力。实验证明本文设计的方法,其分类正确率优于小样本图像分类现有方法,通过消融实验证明了上述两个模块的有效性。2.在上述研究的基础上设计了一种Transformer多尺度目标识别方法。该方法引入Transformer特征迁移模块对候选框提取网络和检测头进行支持集特征迁移。同时,针对传统的锚匹配方法在小样本情况下会引入大量的不合适负样本的问题,本文设计了多尺度候选框精炼模块。该模块将候选框提取网络与特征金字塔网络相结合,增加支持集特征数量从而抑制负样本生成数量。实验结果表明,本文设计的方法在召回率和准确率等指标达到了先进水平。3.采用本文设计的基于Transformer多尺度目标识别算法,实现了一个商标小样本目标识别应用系统。该系统可以通过注册账号并创建自定义商标识别器,从而根据自己支持集数据对未标记的大量图片进行商标识别。另外,本系统还实现了根据商标名查询生活中相关图片等功能。
何苏生[9]（2021）在《基于对抗生成网络和哈希匹配的行人重识别研究》文中研究说明目前,大多数的公共场合都有监控摄像头的存在,如何利用这些监控视频数据来更好地方便人们的生活,成了计算机视觉领域研究者们需要思考的一个问题。我国早在21世纪初就建立了“天网系统”,那么在互联网时代下如何更加有效、更加高效地利用“天网系统”来对犯罪分子进行快速追踪和定位就成了计算机视觉领域亟需解决的问题;当幼儿在游乐园等人群密集的场所走失,如何运用监控视频大数据快速地帮助家长定位该儿童位置也是计算机视觉领域需要考虑的问题。行人重识别任务主要适用于多个摄像头拍摄的场景,当进行单张图像查询时,将给定的单张行人图像与大型图像数据库中的图像数据进行比较,以判断不同摄像头下出现的行人图像是否同属于一个行人。在实际的应用实现过程中,行人重识别任务受到两个因素的制约:一是行人重识别数据集采集受限,由于政策、个人隐私以及其他原因,学者以及一般的企业都无法大规模采集行人的数据用于行人重识别任务;另外则是已有的行人重识别数据之间存在的偏差,这些偏差主要来源于相机的视角之间的偏差、拍摄到的人群的姿态之间的偏差以及数据集存在跨域问题所带来的偏差。已有的行人重识别系统主要针对公开数据集进行训练,这些行人重识别系统往往在单个训练集上能取得比较好的结果,但是在针对数据跨域问题时,这一类行人重识别系统往往不能令人满意。总而言之,已有的行人重识别系统存在的主要问题包括:不能实现跨域的效果、检测的效果不佳、检测的速度不够快等。基于此,本文提出了一种基于对抗生成网络和哈希检索的行人重识别算法,其主要创新点如下:1、采用了基于人体姿态的对抗生成网络;本文采用的方法通过与目标姿态相结合的方式生成对应的行人姿态图像;弥补了行人重识别数据集中行人关于姿态的偏差问题;2、采用基于注意力机制的深度残差网络,进一步提取出行人的关键性特征,使得提取出来的行人特征更方便用于行人重识别任务;同时采用差异权重的方式进行特征融合。3、采用了哈希匹配的图像检索方式,在深度残差网络中加入哈希层,在提取行人特征的同时学习哈希函数;哈希函数可以将行人图像转化为二值码,不同行人对应的图像二值码距离不同,将二值码之间的距离由小到大进行排序,得到检索结果。本文提出的方法在检索速度以及检索精度上都实现了比较好的效果,通过pytorch进行深度学习网络的搭建,最终实验结果表明本文采用的基于对抗生成网络和哈希匹配的行人重识别方法比较适用于解决行人重识别领域的相关问题。
雷宇[10]（2020）在《基于场景分类和商品检索的易混淆图像识别研究》文中研究指明随着深度学习技术在计算机视觉领域的不断普及和扩展,对图像内容理解的需求也在急速增长。图像分类和检索作为计算机视觉中十分重要的两个任务,被大量的研究和应用。对于分类和检索任务来说,标签是最基础也是最重要的一个信息,而标签之间的混淆也成为一个不可避免的难题。但当前的研究方向更多的集中在图像信息的挖掘或者网络结构的设计上,而在标签的混淆问题上的研究并不多。因此,本文基于场景分类和商品检索这两个实际场景来探索易混淆信息的应用方法,并构建一套基于易混淆信息的分类和检索系统,主要工作和创新点如下:（1）提出了基于混淆矩阵的聚类算法来挖掘标签之间的易混淆信息。通过将聚类结果转化为混淆权重,设计了一个新的损失函数:混淆加权损失函数（Confusion Weighted Loss Function）让模型在训练过程中除了学习类别之间的差外也能学习到标签之间的相关性。在Places365和MIT indoor67两个数据集上的实验证明了我们提出的算法的有效性;（2）提出了一个基于易混淆信息的数据集自动化清洗流程来对一些错误或易混淆的类别进行修正、合并,让数据集的标签体系更佳合理,并设计了一个基于权重特征的重排序算法,对排序结果进行优化。在商品数据集上的测试结果逐步证明了相关方案的优越性;（3）提出了一个基于易混淆信息的分类检索体系（Anti-Confusion System for classification and Retrieval）,覆盖了图像分类和检索相关项目所涉及的一系列步骤。通过在场景分类和商品检索两个任务上的实验验证了该系统的实用性和有效性。
二、易于扩充的图像检索平台实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、易于扩充的图像检索平台实现（论文提纲范文）
（1）空间目标态势认知与服务关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间目标态势发展 |
| 1.2.2 空间目标态势认知 |
| 1.2.3 空间目标态势服务 |
| 1.2.4 空间目标态势面临的挑战 |
| 1.3 本文研究内容与章节组织 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文章节组织 |
| 第二章 空间目标态势领域本体模型 |
| 2.1 空间目标态势领域本体的研究内容 |
| 2.1.1 空间目标态势领域本体的研究对象 |
| 2.1.2 空间目标态势领域本体作用和功能 |
| 2.2 基于混合本体模式的空间目标态势领域本体构建 |
| 2.2.1 空间目标态势领域本体的组成 |
| 2.2.2 空间目标态势领域本体的构建 |
| 2.2.3 空间目标态势领域本体基本关系 |
| 2.2.4 空间目标态势领域本体属性声明 |
| 2.3 空间目标态势领域本体实例 |
| 2.3.1 资源三号02星本体实例 |
| 2.3.2 资源三号02星知识推理 |
| 2.4 本章小结 |
| 第三章 基于混合本体模式的多源异构数据管理方法 |
| 3.1 基于混合SQL/NoSQL模式的多源异构数据存储方法 |
| 3.1.1 数据存储架构 |
| 3.1.2 数据关联关系 |
| 3.1.3 数据存储与检索测试 |
| 3.2 基于本体的多源异构数据集成方法 |
| 3.2.1 空间目标态势数据集成模型 |
| 3.2.2 底层数据与局部本体的映射 |
| 3.2.3 局部本体与全局本体的映射 |
| 3.3 面向数据和语义的空间目标态势信息检索 |
| 3.3.1 空间目标态势数据检索 |
| 3.3.2 空间目标态势语义检索 |
| 3.4 本章小结 |
| 第四章 面向离线与实时计算的分析与处理模型 |
| 4.1 空间目标态势数据分析与处理模型 |
| 4.1.1 数据分析框架 |
| 4.1.2 数据处理模型 |
| 4.2 基于多判断模式的区域覆盖实时分析 |
| 4.2.1 基于多判断模式的参数快速计算方法 |
| 4.2.2 实验与分析 |
| 4.3 基于稳健筛选流程的空间目标接近分析 |
| 4.3.1 空间目标稳健筛选流程 |
| 4.3.2 实验与分析 |
| 4.4 本章小结 |
| 第五章 面向知识获取的空间目标态势认知方法 |
| 5.1 空间目标态势时空认知模型 |
| 5.1.1 时空本体建模 |
| 5.1.2 空间关系建模 |
| 5.1.3 时间关系建模 |
| 5.2 空间目标轨道状态认知模型 |
| 5.2.1 空间目标轨道状态语义表示 |
| 5.2.2 空间目标轨道状态推理方法 |
| 5.2.3 实验与分析 |
| 5.3 空间目标行为与事件认知模型 |
| 5.3.1 空间目标行为与事件本体建模 |
| 5.3.2 空间目标碰撞威胁本体构建 |
| 5.3.3 仿真校验与分析 |
| 5.4 基于知识图谱的空间目标态势知识表达 |
| 5.4.1 空间目标态势知识图谱认知框架 |
| 5.4.2 多层次语义关系解析模型 |
| 5.4.3 多元素知识构建模型 |
| 5.5 本章小结 |
| 第六章 基于微服务架构的空间目标态势服务 |
| 6.1 微服务架构 |
| 6.2 基于本体的空间目标态势服务管理模型 |
| 6.2.1 基于OWL-S的服务与组件本体 |
| 6.2.2 空间目标态势服务匹配与组合 |
| 6.2.3 服务匹配与组合示例 |
| 6.3 基于微服务架构的多源异构功能集成 |
| 6.3.1 算法组件集成 |
| 6.3.2 在线服务集成 |
| 6.4 空间目标态势可视化服务 |
| 6.5 本章小结 |
| 第七章 原型系统的设计与实现 |
| 7.1 原型系统功能与定位 |
| 7.1.1 原型系统功能 |
| 7.1.2 原型系统定位 |
| 7.2 原型系统总体设计 |
| 7.2.1 架构与部署 |
| 7.2.2 数据服务层 |
| 7.2.3 功能服务层 |
| 7.3 原型系统应用成果 |
| 7.3.1 空间目标态势数据管理 |
| 7.3.2 空间目标态势数据查询与展示 |
| 7.3.3 空间目标态势运行场景 |
| 7.3.4 空间目标态势认知实现 |
| 7.3.5 空间目标态势异构功能管理 |
| 7.3.6 应用案例 |
| 7.4 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文主要工作总结 |
| 8.2 下一步研究展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（2）易于扩充的图像检索平台实现（论文提纲范文）
| 0 引言 |
| 1.系统整体概念结构 |
| 2 图像特征描述 |
| 2.1单一特征的实现 |
| 2.2 图像特征集Image＿feature的实现 |
| 3 对应用程序隐蔽细节 |
| 3.1 使用实体生成类隐蔽图像登录细节 |
| 3.2 使用函数类隐蔽图像检索细节 |
| 4 结束语 |
（3）基于深度学习的跨媒体科技资源立体精准画像研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 跨媒体语义特征提取与表达 |
| 1.2.2 实体信息挖掘与发现 |
| 1.2.3 跨媒体语义关联关系分析与抽取 |
| 1.3 研究内容 |
| 1.3.1 基于深度学习的科技资源实体的跨媒体语义特征提取与表达 |
| 1.3.2 科技资源实体信息与实体关联关系挖掘与发现 |
| 1.3.3 科技资源实体的跨媒体语义关联关系分析与抽取 |
| 1.3.4 基于深度学习的跨媒体科技资源立体精准画像系统实现 |
| 1.4 论文总体结构 |
| 第二章 相关技术 |
| 2.1 深度学习理论 |
| 2.1.1 深度学习的基本理论 |
| 2.1.2 深度学习经典模型 |
| 2.2 自然语言处理 |
| 2.2.1 语言表征BERT模型 |
| 2.2.2 长短期记忆网络 |
| 2.3 相似度计算技术 |
| 2.4 生成对抗网络 |
| 2.5 本章小结 |
| 第三章 基于深度学习的科技资源实体的跨媒体语义特征提取与表达 |
| 3.1 科技资源实体的跨媒体语义特征提取与表达 |
| 3.1.1 跨媒体科技资源文本深度特征提取与表达模型的提出 |
| 3.1.2 跨媒体科技资源图像深度特征提取与表达模型的提出 |
| 3.2 实验结果及分析 |
| 3.2.1 数据集描述 |
| 3.2.2 科技资源文本深度特征提取与表达实验 |
| 3.2.3 科技资源图像深度特征提取与表达实验 |
| 3.3 本章小结 |
| 第四章 科技资源实体信息与实体关联关系挖掘与发现 |
| 4.1 基于BERT融合局部特征的注意力机制的科技实体抽取算法 |
| 4.1.1 基于BERT融合局部特征的注意力机制的科技实体抽取算法总体框架 |
| 4.1.2 基于BERT融合局部特征的注意力机制的科技实体抽取实现 |
| 4.2 基于BERT融合局部特征的注意力机制的科技实体抽取算法实验结果及分析 |
| 4.2.1 数据集描述 |
| 4.2.2 评价指标 |
| 4.2.3 实体抽取实验 |
| 4.3 基于多重维度的科技资源实体关键词相似关系判定算法 |
| 4.3.1 基于多重维度的科技资源实体关键词相似关系判定算法总体框架 |
| 4.3.2 基于多重维度的科技资源实体关键词相似关系判定算法实现 |
| 4.3.3 相似关系判定实验 |
| 4.4 科技资源立体画像 |
| 4.5 本章小结 |
| 第五章 科技资源实体的跨媒体语义关联关系分析与抽取 |
| 5.1 科技资源跨媒体语义关联关系算法 |
| 5.1.1 科技资源跨媒体语义关联关系算法总体框架 |
| 5.1.2 科技资源跨媒体语义关联关系算法实现 |
| 5.2 科技资源跨媒体语义关联关系算法实验结果及分析 |
| 5.2.1 数据集描述 |
| 5.2.2 评价指标 |
| 5.2.3 跨媒体检索实验 |
| 5.3 本章小结 |
| 第六章 基于深度学习的跨媒体科技资源立体精准画像系统实现 |
| 6.1 系统设计 |
| 6.1.1 系统功能与目标 |
| 6.1.2 系统总体设计 |
| 6.1.3 系统存储设计 |
| 6.1.4 系统开发环境与开发工具 |
| 6.2 系统实现 |
| 6.2.1 数据采集的功能实现 |
| 6.2.2 科技资源立体画像功能实现 |
| 6.2.3 跨媒体科技资源检索与展示功能实现 |
| 6.3 系统测试 |
| 6.3.1 系统测试环境 |
| 6.3.2 测试用例及结果 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间研究成果 |
（4）基于深度学习的智能无线感知方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要内容及结构安排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文结构安排 |
| 2 无线感知与深度学习技术概述 |
| 2.1 无线感知技术基本原理 |
| 2.2 深度学习基础 |
| 2.2.1 卷积神经网络 |
| 2.2.2 生成对抗网络 |
| 2.3 基于深度学习的无线感知技术 |
| 2.3.1 无线感知系统架构 |
| 2.3.2 无线特征提取模块 |
| 2.3.3 无线样本分类模块 |
| 2.4 本章小结 |
| 3 基于元学习的无线感知方法 |
| 3.1 主要思想 |
| 3.2 基于元学习的无线感知方法架构及实现 |
| 3.2.1 数据获取及预处理 |
| 3.2.2 元学习感知网络 |
| 3.2.3 元学习算法训练策略 |
| 3.3 基于元学习的无线感知方法实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 实验结果 |
| 3.3.3 实验分析 |
| 3.4 本章小结 |
| 4 基于生成对抗的无线感知方法 |
| 4.1 主要思想 |
| 4.2 基于生成对抗的无线感知方法架构及实现 |
| 4.2.1 无线数据预处理模块 |
| 4.2.2 单场景样本增广网络模型 |
| 4.2.3 多场景样本增广网络模型 |
| 4.2.4 无线手势识别深度网络构建 |
| 4.3 基于生成对抗的无线手势识别实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果展示 |
| 4.3.3 实验分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）基于古生物三维模型的化石图像检索技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.2 研究现状 |
| 1.2.1 基于古生物学的化石图像鉴定研究现状 |
| 1.2.2 基于计算机视觉的化石图像鉴定和检索研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文结构安排 |
| 1.5 本章小结 |
| 第二章 基于三维模型视图的化石图像数据集建立 |
| 2.1 问题提出及解决方案 |
| 2.2 三维模型视图获取 |
| 2.3 基于三维模型视图的化石图像数据库建立 |
| 2.3.1 图像生成技术 |
| 2.3.2 基于Cycle-GAN的化石图像生成 |
| 2.4 实验验证及结果分析 |
| 2.4.1 数据集介绍 |
| 2.4.2 实验设置 |
| 2.4.3 结果展示与评价 |
| 2.5 本章小结 |
| 第三章 基于实例迁移的化石图像显着性检测 |
| 3.1 问题提出及解决方案 |
| 3.2 面向仿真图像的化石图像显着性检测研究 |
| 3.2.1 生成图像及化石图像分析 |
| 3.2.2 仿真化石图像掩膜生成 |
| 3.2.3 化石图像显着性检测 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 结果展示与评价 |
| 3.4 本章小结 |
| 第四章 基于显着特征和全局特征融合的化石图像检索 |
| 4.1 问题提出及解决方案 |
| 4.2 基于特征融合的化石图像检索设计 |
| 4.2.1 显着特征提取 |
| 4.2.2 全局特征提取 |
| 4.2.3 基于通道拼接的特征融合 |
| 4.2.4 基于融合特征的化石图像检索 |
| 4.3 实验结果与评价 |
| 4.3.1 实验设置 |
| 4.3.2 分类结果对比 |
| 4.3.3 检索性能度量 |
| 4.4 本章小结 |
| 总结与展望 |
| 本文总结 |
| 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的科研成果 |
（6）基于深度学习的图像检索技术研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第二章 图像检索与深度学习理论研究 |
| 2.1 图像检索系统框架 |
| 2.2 图像特征提取 |
| 2.2.1 深度神经网络原理 |
| 2.2.2 Inception v3 模块 |
| 2.3 哈希算法 |
| 2.3.1 无监督哈希算法 |
| 2.3.2 监督哈希算法 |
| 2.4 相似性度量方法 |
| 2.5 本章小结 |
| 第三章 细粒度特征提取网络 |
| 3.1 生成对抗网络 |
| 3.2 弱监督注意力学习 |
| 3.3 对抗数据增强 |
| 3.3.1 对抗策略 |
| 3.3.2 奖惩策略 |
| 3.4 网络结构 |
| 3.5 实验 |
| 3.5.1 数据集及实验设置 |
| 3.5.2 对比实验及分析 |
| 3.5.3 数据增强可视化 |
| 3.6 本章小结 |
| 第四章 基于中心相似度量的哈希算法 |
| 4.1 算法原理 |
| 4.2 哈希中心的定义 |
| 4.3 生成哈希中心 |
| 4.4 中心相似量化 |
| 4.5 实验 |
| 4.5.1 图像散列实验 |
| 4.5.2 实验结果对比 |
| 4.5.3 细粒度哈希实验 |
| 4.6 实验结果分析 |
| 4.7 本章小结 |
| 第五章 理化实验图像关键帧检索系统 |
| 5.1 PCEIR系统环境及框架 |
| 5.2 系统组织结构 |
| 5.3 数据库构建与实现 |
| 5.4 图像预处理 |
| 5.5 系统交互界面的设计 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作展望 |
| 6.2.1 当前存在的问题 |
| 6.2.2 今后研究方法与内容 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（7）WebAR平台大规模图像检索系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 相关技术概述 |
| 2.1 图像嵌入算法 |
| 2.1.1 嵌入技术 |
| 2.1.2 卷积神经网络 |
| 2.2 嵌入向量搜索 |
| 2.2.1 向量距离度量方法 |
| 2.2.2 主成分分析 |
| 2.2.3 近似最近邻算法 |
| 2.3 边缘计算 |
| 2.3.1 发展概述 |
| 2.3.2 关键技术 |
| 2.4 本章小结 |
| 第三章 系统需求分析与概要设计 |
| 3.1 需求分析 |
| 3.1.1 业务术语定义 |
| 3.1.2 需求概述 |
| 3.1.3 图像嵌入提取功能 |
| 3.1.4 向量搜索功能 |
| 3.1.5 图像检索系统服务化 |
| 3.1.6 云边协同服务 |
| 3.2 系统概要设计 |
| 3.2.1 系统架构概述 |
| 3.2.2 嵌入算法模块 |
| 3.2.3 向量搜索模块 |
| 3.2.4 模版图管理模块 |
| 3.2.5 云边协同模块 |
| 3.3 本章小结 |
| 第四章 系统详细实现 |
| 4.1 系统实现方案概述 |
| 4.2 嵌入算法模块的设计与实现 |
| 4.2.1 算法设计 |
| 4.2.2 损失函数 |
| 4.2.3 数据增强技术 |
| 4.3 向量搜索模块的实现 |
| 4.3.1 搜索方法实现 |
| 4.3.2 工程优化 |
| 4.3.3 嵌入维度压缩 |
| 4.3.4 近似最近邻搜索算法 |
| 4.4 模版图管理模块的实现 |
| 4.4.1 接口功能实现 |
| 4.4.2 数据存储方案 |
| 4.4.3 异常提示 |
| 4.5 云边协同模块的实现 |
| 4.5.1 准备工作 |
| 4.5.2 云边端服务架构 |
| 4.5.3 系统请求分发方案 |
| 4.5.4 本章小结 |
| 第五章 系统测试与应用 |
| 5.1 测试目标与环境 |
| 5.1.1 测试目标 |
| 5.1.2 测试环境 |
| 5.2 算法性能测试 |
| 5.2.1 数据准备 |
| 5.2.2 评价指标 |
| 5.2.3 嵌入算法测试 |
| 5.2.4 向量搜索测试 |
| 5.3 系统功能测试 |
| 5.3.1 基本功能测试 |
| 5.3.2 模板图管理测试 |
| 5.3.3 云边协同测试 |
| 5.3.4 图像检索有效性测试 |
| 5.4 系统应用案例 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
（8）基于小样本学习的目标识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 小样本学习 |
| 1.2.2 目标识别 |
| 1.2.3 小样本目标识别 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本文的内容结构安排 |
| 第二章 小样本目标识别技术 |
| 2.1 小样本学习 |
| 2.1.1 小样本学习的相关定义 |
| 2.1.2 基于数据扩充的小样本学习 |
| 2.1.3 基于度量学习的小样本学习 |
| 2.1.4 基于元学习的小样本学习 |
| 2.2 目标识别的基本方法 |
| 2.2.1 单阶段目标识别 |
| 2.2.2 两阶段目标识别 |
| 2.3 小样本目标识别技术与挑战 |
| 2.4 本章小结 |
| 第三章 基于Transformer的小样本学习 |
| 3.1 研究动机 |
| 3.2 基于Transformer的小样本学习模型 |
| 3.2.1 Transformer的特征迁移模块 |
| 3.2.2 分组正则化模块 |
| 3.2.3 TFSL模型 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 Mini Image Net数据集图像分类 |
| 3.3.3 Cub Bird数据集图像分类 |
| 3.3.4 消融试验 |
| 3.4 本章小结 |
| 第四章 基于Transformer多尺度的目标识别 |
| 4.1 研究动机 |
| 4.2 基于Transformer多尺度的目标识别 |
| 4.2.1 多尺度候选框精炼 |
| 4.2.2 TMSOD模型 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 PASCAL VOC数据集目标识别 |
| 4.3.3 Flickr Logos数据集目标识别 |
| 4.4 本章小结 |
| 第五章 商标小样本目标识别系统的设计与实现 |
| 5.1 需求分析 |
| 5.1.1 系统总体功能概述 |
| 5.1.2 功能性需求 |
| 5.1.3 非功能性需求 |
| 5.2 商标小样本目标识别系统设计 |
| 5.2.1 系统整体架构设计 |
| 5.2.2 数据库表结构设计 |
| 5.3 系统模块详细设计与实现 |
| 5.3.1 微服务架构相关设计与实现 |
| 5.3.2 用户管理模块设计与实现 |
| 5.3.3 识别器管理模块设计与实现 |
| 5.4 系统测试 |
| 5.4.1 功能性测试 |
| 5.4.2 非功能性测试 |
| 5.5 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 本文工作总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（9）基于对抗生成网络和哈希匹配的行人重识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标检测研究现状 |
| 1.2.2 图像检索研究现状 |
| 1.2.3 行人重识别研究现状 |
| 1.3 本文的主要工作与创新点 |
| 1.4 本文组织结构 |
| 第二章 基于人体姿态特征的对抗生成网络 |
| 2.1 对抗生成网络 |
| 2.1.1 传统的对抗生成网络 |
| 2.1.2 改进的对抗生成网络 |
| 2.1.3 用于行人重识别领域的对抗生成网络 |
| 2.2 人体姿态特征提取 |
| 2.3 基于人体姿态的对抗生成网络 |
| 2.4 本章小结 |
| 第三章 基于注意力机制的残差网络模型 |
| 3.1 深度残差网络介绍 |
| 3.2 注意力机制网络介绍 |
| 3.2.1 基于空间的注意力机制 |
| 3.2.2 基于通道的注意力机制 |
| 3.3 基于注意力机制的残差网络结构 |
| 3.4 本章小结 |
| 第四章 基于哈希检索的行人重识别方法 |
| 4.1 哈希检索简介 |
| 4.1.1 无监督的哈希检索算法 |
| 4.1.2 有监督的哈希检索算法 |
| 4.1.3 半监督的哈希检索算法 |
| 4.2 哈希检索方法的流程简介 |
| 4.2.1 深度哈希模型的训练 |
| 4.2.2 数据相似图更新 |
| 4.2.3 二值码优化 |
| 4.3 本章小结 |
| 第五章 系统结构与实验展示 |
| 5.1 系统体系架构 |
| 5.2 实验平台介绍 |
| 5.3 深度学习框架介绍 |
| 5.3.1 Tensorflow深度学习框架 |
| 5.3.2 其他深度学习框架 |
| 5.3.3 Pytorch深度学习框架 |
| 5.4 实验数据集介绍 |
| 5.4.1 Market-1501数据集 |
| 5.4.2 CUHK03数据集 |
| 5.5 损失函数介绍 |
| 5.6 实验结果展示 |
| 5.6.1 评价指标介绍 |
| 5.6.2 实验流程介绍 |
| 5.6.3 最终结果 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 论文展望 |
| 参考文献 |
| 附录A 专用术语注释表 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）基于场景分类和商品检索的易混淆图像识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文的工作内容与贡献 |
| 1.3.1 研究内容 |
| 1.3.2 主要贡献 |
| 1.3.3 论文组织结构 |
| 第二章 场景分类和商品检索的发展与技术概述 |
| 2.1 场景分类研究现状 |
| 2.1.1 场景分类 |
| 2.1.2 深度卷积神经网络上的图像识别 |
| 2.2 商品检索研究现状 |
| 2.2.1 特征提取算法的发展 |
| 2.2.2 检索算法的衍生和发展 |
| 2.3 本章小结 |
| 第三章 面向场景分类的易混淆信息应用 |
| 3.1 背景介绍 |
| 3.2 基于混淆矩阵的聚类算法 |
| 3.3 混淆加权损失函数 |
| 3.4 实验部分 |
| 3.4.1 Places365数据集 |
| 3.4.2 MIT indoor67数据集 |
| 3.4.3 拓展实验 |
| 3.5 章节总结 |
| 第四章 面向商品检索的易混淆信息研究 |
| 4.1 背景介绍 |
| 4.1.1 特征提取 |
| 4.1.2 检索中的重排序算法 |
| 4.2 基于易混淆讯息的数据集构建 |
| 4.2.1 基于检测算法的数据预处理 |
| 4.2.2 基于混淆矩阵的类别合并 |
| 4.3 基于卷积神经网络的模型训练 |
| 4.4 基于权重特征的重排序 |
| 4.5 实验部分 |
| 4.5.1 基于易混淆信息的数据集构建算法的评估 |
| 4.5.2 评估多类型损失函数在商品检索数据集上的效果 |
| 4.5.3 基于权重特征的重排序算法评估 |
| 4.6 本章小节 |
| 第五章 基于易混淆信息的分类和检索体系研究 |
| 5.1 背景介绍 |
| 5.2 基于易混淆信息的分类检索体系在场景分类上的应用 |
| 5.3 基于易混淆信息的分类检索体系在商品检索上的应用 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
四、易于扩充的图像检索平台实现（论文参考文献）
- [1]空间目标态势认知与服务关键技术研究[D]. 卢万杰. 战略支援部队信息工程大学, 2020(01)
- [2]易于扩充的图像检索平台实现[J]. 朱赟,韩炜,吴炜. 上海师范大学学报(自然科学版), 2002(04)
- [3]基于深度学习的跨媒体科技资源立体精准画像研究[D]. 段跃锋. 北京邮电大学, 2021(01)
- [4]基于深度学习的智能无线感知方法研究[D]. 张良. 大连理工大学, 2021(01)
- [5]基于古生物三维模型的化石图像检索技术研究[D]. 侯刚. 西北大学, 2021(12)
- [6]基于深度学习的图像检索技术研究及应用[D]. 司学飞. 太原理工大学, 2021(01)
- [7]WebAR平台大规模图像检索系统的研究与实现[D]. 吴寿镒. 北京邮电大学, 2021(01)
- [8]基于小样本学习的目标识别方法研究[D]. 陆远哲. 电子科技大学, 2021(01)
- [9]基于对抗生成网络和哈希匹配的行人重识别研究[D]. 何苏生. 上海师范大学, 2021(08)
- [10]基于场景分类和商品检索的易混淆图像识别研究[D]. 雷宇. 北京邮电大学, 2020(04)