本书围绕图像深度表示学习方法中存在的若干关键问题进行深入分析，通过充分挖掘和利用深度模型内部多层结构信息与数据分布之间的先验信息，探讨了深度表示模型选择与设计、深度迁移特征跃层表示、非监督深度度量学习和有监督深度哈希学习等方法，并将上述模型和方法应用于解决图像检索、图像分类、目标跟踪和数据可视化等实际问题。

第1章 绪论

1．1 研究背景与意义

1．2 国内外研究及应用现状

1．3 图像深度表示学习技术的难点

1．4 本书主要研究内容与组织结构

第2章 深度表示模型的选择与设计

2．1 引言

2．2 卷积神经网络的基本结构

2．3 模型结构设计与表示能力

2．4 基于类脑结构的表示模型

2．5 实验结果与分析

2．6 本章小结

第3章 深度迁移特征跃层表示方法

3．1 引言

3．2 深度跃层特征编码表示方法

3．3 深度跃层编码表示方法性能分析

3．4 深度跃层特征目标跟踪方法

3．5 深度跃层特征目标跟踪实验分析

3．6 本章小结

第4章 非监督深度度量表示学习方法

4．1 引言

4．2 深度特征的非线性度量学习

4．3 实验结果与分析

4．4 深度特征的可视化方法

4．5 本章小结

第5章 有监督深度哈希表示学习方法

5．1 引言

5．2 基于孪生网络的混合哈希表示学习方法

5．3 基于孪生网络混合哈希实验分析

5．4 基于注意力机制的深度哈希表示学习方法

5．5 基于注意力机制的深度哈希实验分析

5．6 本章小结

第6章 总结与展望

6．1 工作总结

6．2 未来展望

参考文献