本书针对机器学习抽象又复杂的算法特点，力求理论联系实际，以图像检索应用为主线，由浅入深地以全新角度诠释机器学习在图像检索中的应用。本书内容包括基于内容的图像检索、机器学习基础、图像特征提取、基于支持向量机的图像检索、基于主动学习的图像检索、基于对象语义的图像检索、图像语义分析及深度学习在图像检索中的应用等。
本书适合对机器学习、深度学习、图像语义分析和图像检索技术感兴趣并希望对图像语义分析和图像检索技术有深入了解的读者阅读。

章 基于内容的图像检索
1.1 图像检索技术的发展
1.2 基于内容的图像检索特点
1.2.1 系统结构
1.2.2 基于内容的图像检索系统
1.2.3 基于内容的图像检索技术存在的问题
第2章 机器学习基础
2.1 机器学习发展史
2.2 机器学习分类
2.2.1 按学习策略分类
2.2.2 按应用领域分类
2.2.3 按知识获取分类
2.2.4 按学习形式分类
2.3 典型的机器学习算法
2.3.1 决策树
2.3.2 随机森林算法
2.3.3 逻辑回归模型
2.3.4 支持向量机
2.3.5 朴素贝叶斯分类算法
2.3.6 KNN分类算法
2.3.7 K均值算法
2.3.8 AdaBoost算法
2.3.9 神经网络
2.3.10 马尔可夫模型
2.4 机器学习模型评价
2.4.1 混淆矩阵
2.4.2 评价指标
2.4.3 ROC曲线和AUC值
第3章 图像特征提取
3.1 颜色
3.1.1 颜色空间
3.1.2 颜色特征提取
3.1.3 颜色特征相似度度量
3.2 纹理
3.2.1 纹理特征分类
3.2.2 纹理特征提取
3.2.3 纹理特征相似度度量
3.3形状
3.3.1 形状特征简述
3.3.2 形状特征提取方法
3.3.3 形状特征存在的问题
3.4 局部区域不变性特征
3.4.1 几何变换
3.4.2 尺度不变特征变换
3.4.3 加速稳健特征
3.5 空间关系特征
3.6 特征降维
3.7 相似度度量
第4章 基于支持向量机的图像检索
4.1 支持向量机
4.1.1 最优分类超平面
4.1.2 线性支持向量机
4.1.3 非线性支持向量机
4.2 基于支持向量机的图像检索特点
4.3 相关反馈
4.3.1 相关反馈方法分类
4.3.2 相关反馈中存在的问题
4.3.3 基于支持向量机的相关反馈图像检索算法
4.4 . 改进的支持向量机的图像检索
4.4.1 约减支持向量机
4.4.2 基于约减支持向量机的相关反馈图像检索算法
第5章 基于主动学习的图像检索
5.1 主动学习
5.1.1 样本选择算法
5.1.2 主动学习模型
5.2 基于支持向量机的主动学习方法
5.3 正则化
5.3.1 机器学习中的正则化
5.3.2 支持向量机正则化
5.4 改进的主动学习支持向量机的相关反馈检索方法
5.4.1 未标注样本的选择策略
5.4.2 基于自适应规则的模型选择
5.4.3 新的相关反馈方法
5.4.4 复杂度分析
5.5 实验结果与分析
5.5.1 数据库
5.5.2 图像特征
5.5.3 性能评价
5.5.4 结果分析
第6章 基于对象语义的图像检索
6.1 图像分割方法
6.1.1 基于边缘的图像分割方法
6.1.2 基于阈值的图像分割方法
6.1.3 基于区域的图像分割方法
6.1.4 基于特定理论的图像分割算法
6.2 对象区域分割
6.2.1 图论与图割
6.2.2 多标注区域语义分割算法
6.2.3 实验结果与分析
6.2.4 算法小结
6.3 基于对象语义的图像分类
6.3.1 多层感知器
6.3.2 多层感知器的训练
6.3.3 基于对象语义模板的图像分类
6.4 对象语义提取方法的发展
第7章 图像语义分析
7.1 图像语义分析定义与算法
7.1.1 特征语义化
7.1.2 图像语义分析算法
7.1.3 深度学习网络与图像语义分析
7.1.4 卷积神经网络
7.2 图像语义自动标注
7.2.1 基于机器学习的图像语义标注方法
7.2.2 基于分类的图像语义标注方法
7.2.3 基于统计模型的图像语义标注方法
7.3 图像语义分割
7.3.1 图像语义分割分类
7.3.2 典型的图像语义分割算法
7.4 视觉词袋与语义分析、标注和检索方法
7.4.1 视觉词袋
7.4.2 语义分析和标注
7.4.3 基于语义词袋的图像检索方法
7.5 语义分析应用
第8章 深度学习在图像检索中的应用
8.1 深度学习概述
8.2 深度学习模型
8.2.1 特征学习
8.2.2 深层网络结构
8.2.3 深度学习的训练模式
8.3 深度学习应用
8.3.1 ImageNet图像分类
8.3.2 深度学习在物体检测中的应用
8.4 深度学习的重要发展领域
8.5 深度学习的挑战和发展方向
参考文献