物体检索与定位

第1章 大数据时代的目标检索及应用
1.1 大数据时代的大搜索趋势
1.2 物体搜索：问题与挑战
1.2.1 示例检索
1.2.2 标签检索与定位
1.2.3 关键技术难题
1.3 针对物体检索与定位的研究历史与现状
1.3.1 基于示例的检索模型
1.3.2 图像标注
1.3.3 物体检测
1.4 技术测评
1.4.1 数据集介绍
1.4.2 性能评价指标
参考文献
第2章 视觉词组的贝叶斯池化模型
2.1 词袋模型
2.2 词袋模型相关工作
2.2.1 视觉单词的上下文建模
2.2.2 视觉突爆现象
2.2.3 贝叶斯决策理论
2.3 基于视觉词组的示例检索模型
2.3.1 视觉词组的挖掘
2.3.2 相似性度量
2.3.3 相关工作在框架下的解释
2.4 贝叶斯池化模型
2.4.1 突爆匹配与池化
2.4.2 模型的建立
2.4.3 参数估计
2.5 实验结果与分析
2.5.1 实现细节
2.5.2 参数影响
2.5.3 性能对比
2.5.4 可视化分析
小结
参考文献
第3章 位置对齐的深度示例检索模型
3.1 示例检索的研究现状
3.2 示例检索有关的技术发展
3.2.1 深度卷积网络
3.2.2 基于深度卷积网络的示例检索
3.3 模型整体结构
3.4 似物性采样
3.5 基于排序学习的深度特征学习模型
3.5.1 模型结构
3.5.2 模型训练
3.5.3 特征提取
3.6 半监督的训练数据收集策略
3.7 搜索与排序
3.7.1 级联量化编码
3.7.2 索引结构
3.7.3 在线查询
3.8 实验结果与分析
3.8.1 实现细节
3.8.2 性能对比
3.8.3 效率分析
3.8.4 可视化分析
小结
参考文献
第4章 多示例在线学习模型
4.1 监督信息
4.2 物体检测的工作
4.2.1 多示例学习
4.2.2 多标签学习
4.2.3 基于CNN的弱监督物体检测
4.3 多示例在线学习
4.3.1 概述
4.3.2 特征表示模块
4.3.3 示例分类模块
4.3.4 示例采样模块
4.3.5 迭代精化
4.4 实验结果与分析
4.4.1 实现细节
4.4.2 关键区域选择的重要性
4.4.3 与弱监督深度检测网络WSDDN的变种进行性能对比
4.4.4 与其他模型的性能对比
小结
参考文献
第5章 基于显著性的深度特征表示
5.1 视觉注意机制
5.2 视觉注意机制相关工作
5.3 模型结构
5.3.1 物体的显著性模型
5.3.2 显著性池化
5.4 实验结果与分析
5.4.1 实现细节
5.4.2 模型分析
5.4.3 与其他方法的性能对比
5.4.4 可视化分析
小结
参考文献
第6章 人工智能时代的信息检索技术展望
6.1 物体检索与定位技术总结
6.2 物体检索与定位研究展望