近年來網(wǎng)絡(luò)用戶的搜索語句逐漸復(fù)雜化,這對查詢技術(shù)有了更高的要求,需要在大規(guī)模地圖片數(shù)據(jù)海洋中尋找到與查詢相匹配的圖片。當(dāng)前對于復(fù)雜查詢的處理步驟是首先將用戶的查詢文本映射成多個(gè)概念,再利用每個(gè)概念檢索其相對應(yīng)的圖片,最后將結(jié)果進(jìn)行融合。為了解決上述問題,本文首先提出了基于權(quán)重的深度學(xué)習(xí)網(wǎng)絡(luò)模型。該模型的首先利用當(dāng)前概念和其相關(guān)概念在訓(xùn)練數(shù)據(jù)集中的出現(xiàn)頻率計(jì)算出每個(gè)概念相對于訓(xùn)練數(shù)據(jù)集的概念權(quán)重。隨后本文采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取訓(xùn)練數(shù)據(jù)集中的圖片特征,并結(jié)合上述概念權(quán)重表得到每個(gè)概念的概念分類器。其中當(dāng)前概念的相關(guān)概念是通過兩個(gè)概念在訓(xùn)練數(shù)據(jù)集標(biāo)簽中共同出現(xiàn)的頻率決定的,考慮相關(guān)概念的意義在于充分了解不同概念對于訓(xùn)練數(shù)據(jù)集的重要性,為后續(xù)的概念分類器的分類準(zhǔn)確度打下基礎(chǔ)。在測試階段,本文采用基于語義距離的匹配方法將給定的復(fù)雜查詢文本映射到相應(yīng)概念上,并通過計(jì)算概念在標(biāo)簽文本中的TF-IDF值獲得不同概念分類器在投票時(shí)的權(quán)值。最后利用線性融合的方法將所有概念分類器和其權(quán)值線性組合得到總概念分類器,并由總概念分類器判斷與所給查詢文本相匹配的圖片列表。相對于傳統(tǒng)的平均投票法,本文采用的加... 

【文章來源】：湖南大學(xué)湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 國內(nèi)研究現(xiàn)狀
        1.2.2 國外研究現(xiàn)狀
    1.3 重難點(diǎn)分析
    1.4 本文主要研究內(nèi)容與創(chuàng)新點(diǎn)
    1.5 本文組織結(jié)構(gòu)
第2章 基礎(chǔ)理論和技術(shù)
    2.1 概述
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 基礎(chǔ)神經(jīng)網(wǎng)絡(luò)
        2.2.2 卷積層
        2.2.3 池化層
        2.2.4 全連接層
        2.2.5 批歸一化層
    2.3 檢索算法
        2.3.1 概念選擇
        2.3.2 融合策略
        2.3.3 結(jié)果融合
    2.4 相似性度量
    2.5 評價(jià)方法
    2.6 本章小結(jié)
第3章 基于深度學(xué)習(xí)的復(fù)雜查詢技術(shù)
    3.1 引言
    3.2 系統(tǒng)框架
    3.3 基于概念權(quán)重的圖像分類模型
        3.3.1 權(quán)重的定義
        3.3.2 權(quán)重設(shè)置
        3.3.3 模型構(gòu)建
        3.3.4 網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.5 損失函數(shù)
        3.3.6 優(yōu)化與訓(xùn)練
    3.4 復(fù)雜查詢技術(shù)
        3.4.1 復(fù)雜查詢
        3.4.2 概念選擇
        3.4.3 結(jié)果融合
    3.5 本章小結(jié)
第4章 實(shí)驗(yàn)結(jié)果與分析
    4.1 數(shù)據(jù)集介紹
    4.2 實(shí)驗(yàn)設(shè)置
    4.3 評價(jià)方法
    4.4 模型有效性分析
        4.4.1 基于概念權(quán)重模型有效性驗(yàn)證
        4.4.2 相關(guān)概念有效性驗(yàn)證
        4.4.3 概念選擇中概念權(quán)值有效性驗(yàn)證
        4.4.4 基于語義距離匹配方法的有效性驗(yàn)證
        4.4.5 不同方法的對比實(shí)驗(yàn)
    4.5 小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
附錄A 發(fā)表論文和參加科研情況說明


【參考文獻(xiàn)】：
期刊論文
[1]高維數(shù)據(jù)聚類中相似性度量方法的研究[J]. 李慧敏,李川,翟祥.  市場研究. 2018(06)
[2]基于生成對抗網(wǎng)絡(luò)的漫畫草稿圖簡化[J]. 盧倩雯,陶青川,趙婭琳,劉蔓霄.  自動(dòng)化學(xué)報(bào). 2018(05)
[3]基于微博簽到數(shù)據(jù)的出行行為分析[J]. 聶琦.  山東科學(xué). 2017(06)
[4]基于全卷積網(wǎng)絡(luò)的目標(biāo)檢測算法[J]. 施澤浩,趙啟軍.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(05)
[5]結(jié)合批歸一化的直通卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法[J]. 朱威,屈景怡,吳仁彪.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(09)
[6]基于選擇性搜索和卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測[J]. 吳素雯,戰(zhàn)蔭偉.  計(jì)算機(jī)應(yīng)用研究. 2017(09)
[7]基于概念與詞根雙特征互助文本分類模型[J]. 古平,吳庭君,文靜云.  計(jì)算機(jī)與現(xiàn)代化. 2015(08)
[8]利用粒子群算法優(yōu)化多源檢索融合結(jié)果的方法[J]. 謝興生,張國梁,李斌.  模式識(shí)別與人工智能. 2012(03)
[9]關(guān)聯(lián)規(guī)則的相似性度量與聚類研究[J]. 李其申,屈喜琴,管俊.  計(jì)算機(jī)工程與設(shè)計(jì). 2012(02)
[10]專業(yè)搜索引擎搜索結(jié)果融合算法研究[J]. 郝偉,楊國霞,郝志杰.  河北科技大學(xué)學(xué)報(bào). 2011(04)

碩士論文
[1]基于名詞和動(dòng)作視覺概念檢測的復(fù)雜查詢圖像檢索重排序[D]. 王紅娜.合肥工業(yè)大學(xué) 2014



本文編號(hào)：2960064