資源描述：
《圖像論文：基于多特征集成及圖像自動標注方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、圖像論文：基于多特征集成的圖像自動標注方法研究【中文摘要】隨著數(shù)碼設(shè)備和計算機網(wǎng)絡(luò)的發(fā)展及廣泛應(yīng)用,數(shù)字圖像在計算機中的存儲量呈爆炸式的增長。為了實現(xiàn)計算機對海量圖像的自動管理,圖像檢索特別是圖像自動標注成為近年來研究的重點和熱點。針對圖像的多標注問題和“語義鴻溝”問題,本文研究使用多特征集成的圖像自動標注方法,以進一步提高圖像自動標注的性能。本文的主要研究內(nèi)容和創(chuàng)新點如下:(1)為解決傳統(tǒng)圖像標注中標注詞與圖像區(qū)域之間缺乏對應(yīng)關(guān)系的問題,本文在對未標注圖像進行標注之前,引入分割算法將圖像劃分成若干個圖像區(qū)域,
2、并對每個圖像區(qū)域分別進行圖像自動標注的策略,使圖像區(qū)域與標注詞之間建立起一一對應(yīng)的關(guān)系。(2)鑒于目前圖像自動標注中只有少量已標注樣本的實際情況,本文采用半監(jiān)督學(xué)習(xí)方法思想來建立標注模型。該方法同時將已標注樣本和未標注樣本用于機器學(xué)習(xí)中,并利用圖像底層視覺特征空間的分布信息,來度量未標注圖像到各標注詞之間的視覺特征距離,從而為未標注圖像選擇標注關(guān)鍵詞。(3)針對圖像自動標注系統(tǒng)多采用單個分類器,從而導(dǎo)致標注準確率較低問題,本文研究并提出基于多特征集成的圖像自動標注算法EMDAIA。該算法將圖像自動標注問題看作是
3、圖像的多分類問題,構(gòu)造并集合多個分類器的分類結(jié)果,選擇出現(xiàn)概率最大的預(yù)測詞來對圖像進行標注。EMDAIA使用LabelMe圖像數(shù)據(jù)庫進行實驗,實驗結(jié)果表明,EMDAIA比僅使用單一特征進行圖像自動標注的準確率提高了約10%。(4)研究并提出一種基于感興趣區(qū)域的圖像自動標注方法ROIAIA,該方法在對未標注圖像進行標注前,先采用Itti模型提取圖像的感興趣區(qū)域,然后對提取的感興趣區(qū)域進行標注。實驗表明,基于感興趣區(qū)域的圖像自動標注能有效地減少圖像次要區(qū)域?qū)χ饕獏^(qū)域的影響,將圖像自動標注的注意力集中到用戶感興趣的圖
4、像區(qū)域。(5)研究了特征子集的選擇對圖像自動標注性能的影響,對提取的10種視覺特征選擇后組合成10個不同的特征子集,在PASCALVOC2008圖像數(shù)據(jù)庫上進行實驗,結(jié)果表明:使用多特征集成可以提高分類器的分類性能,8種視覺特征構(gòu)造特征子集時圖像標注的平均準確率最高,繼續(xù)增加特征的種類反而會降低標注結(jié)果的準確率?！居⑽恼縒iththedevelopmentofdigitalequipmentandcomputernetwork,thenumberofdigitalimagesisgrowingdramati
5、cally.Inordertomanagethelargevolumesofdigitalimagesautomatically,variousimageretrievaltechniques,especiallyimageautomaticallyannotationalgorithms,drawalotofattentionsinrecentyears.Aimingathandlingtheproblemofmultipleannotationsand“semanticgap”ofimages,thispa
6、perinvestigateshowtoutilizemultiplevisualdescriptorstoimprovetheperformanceofautomaticallyimageannotation.Themajorcontentsandcontributionsofthispaperare:(1)Inordertocopewiththeproblemoflackinglinkagesbetweenimagesregionsandlabelkeywords,thispaperemploysaNorm
7、alizedCutsalgorithmtosegmenteachimageintoimageregionsbeforeannotation,andthenusesanimageannotationstrategyoneachimageregionrespectively,soastocreateone-VS-onelinkagesbetweenimageregionsandlabelkeywords.(2)Ascurrentlyonlylimitedlabeledsamplesareavailablewhile
8、alargeamountofunlabeledsamplesexistinagivenimageannotationsystem,thispaperadoptstheideaofsemi-supervisedlearningtoconstructlearningmodels.Themodelutilizesbothlabeledandunlabeledsamplesfortrainin
