本书一方面采用建立图像特征和情感含义之间直接映射的方法开展针对抽象图像的情感语义理解研究，在对一种新颖的特征提取技术——无监督特征学习进行研究的基础上，结合迁移学习方法将其应用于抽象图像情感语义分析；另一方面，本书以社交网络中用户自由分享的具象图像为研究对象，基于中间本体描述和深度学习方法开展面向图像数据的情感倾向预测研究。

李祖贺，男，1983年3月出生，汉族，河南南召人。工学博士，郑州轻工业大学教师、校级特聘教授，河南省食品安全数据智能重点实验室办公室主任。
2000年9月-2004年7月就读于郑州轻工业大学计算机与通信工程学院，专业为电子信息科学与技术，获工学学士学位；2006年10月-2008年6月就读于华中科技大学电子与信息工程系，专业为通信与信息系统，获工学硕士学位；2014年3月-2017年12月就读于西北工业大学电子信息学院，专业为信息与通信工程，获工学博士学位。2004年7月开始进入郑州轻工业大学计算机与通信工程学院任教，从2019年1月2020年1月在美国内布拉斯加大学林肯分校计算机科学与工程系从事博士后研究。自2004年以来一直从事图像处理、计算机视觉和机器学习等方面的研究工作。截至目前，已在国内外学术期刊和会议发表论文10余篇，主持和参与相关领域的国家级和省部级项目5项获得授权专利2项，参编教材2部。

1 绪论
1.1 研究目的和意义
1.2 研究现状以及存在的问题
1.2.1 传统图像情感语义分析
1.2.2 宽泛主题图像情感分析
1.2.3 存在的问题
1.3 本书的主要工作以及内容安排
2 基于稀疏自动编码器的无监督特征学习技术研究
2.1 引言
2.2 稀疏自动编码器原理简介
2.3 基于卷积稀疏自动编码器的图像分类
2.3.1 基于稀疏自动编码器的局部特征学习
2.3.2 基于卷积网络的全局特征提取
2.3.3 Softmax和LR分类器
2.3.4 实验结果与分析
2.4 YUV空间中的无监督特征学习
2.4.1 方法描述
2.4.2 实验结果与分析
2.5 本章小结
3 基于跨领域卷积稀疏自动编码器的抽象图像情感分类
3.1 引言
3.2 基于稀疏自动编码器的自我学习与知识迁移
3.3 抽象绘画情感分类
3.3.1 方法描述
3.3.2 数据库和情感模型
3.3.3 实验结果与分析
3.4 织物图像情感分类
3.4.1 方法描述
3.4.2 数据库和情感模型
3.4.3 实验结果与分析
3.5 本章小结
4 基于中间本体和文本描述的图像情感倾向分析
4.1 引言
4.2 VSO和SentiBank简介
4.3 基于本体概念响应的图像情感预测
4.4 利用文本情感的图像情感预测
4.5 基于后融合方法的图像情感预测
4.6 实验结果与分析
4.6.1 Twitter 1269数据集上的实验
4.6.2 Twitter 603数据集上的实验
4.7 本章小结
5 基于NIN深度卷积神经网络的图像情感倾向分析
5.1 引言
5.2 有监督深度卷积神经网络简介
5.2.1 网络结构
5.2.2 反向传播训练
5.3 NIN网络模型
5.4 基于NIN的图像情感预测
5.4.1 情感预测网络结构
5.4.2 网络微调优化方法
5.5 实验结果与分析
5.6 本章小结
6 总结与展望
6.1 本书工作总结
6.2 未来研究展望
参考文献
致谢