检索结果-内蒙古大学图书馆

计算机研究与发展 2009年第5期46卷 864-871页

作者：路晶马少平清华大学计算机科学与技术系北京100084 智能技术与系统国家重点实验室北京100084 清华信息科学与技术国家实验室北京100084

在基于内容的图像检索中,按照图像的语义内容进行自动标注是一个具有挑战性的难题.将解释语义内容的关键词当做图像类别标签可使自动标注问题转化为图像分类问题.对于多数训练数据,关键词仅仅是针对整幅图像来标注的,并不是针对图像中... 详细信息

在基于内容的图像检索中,按照图像的语义内容进行自动标注是一个具有挑战性的难题.将解释语义内容的关键词当做图像类别标签可使自动标注问题转化为图像分类问题.对于多数训练数据,关键词仅仅是针对整幅图像来标注的,并不是针对图像中的具体区域.为了克服这个问题,提出了多例学习(MIL)框架下基于支持向量机(SVM)的启发式算法HSVM-MIL.使用迭代的启发式最优化算法来解决多例学习中复杂的整型规划问题,以使分类风险最小化.每次迭代试图改变一个样例的类别以最大化普通SVM的分类间隔.在图像数据库和多例学习的经典数据集MUSK上的实验表明,HSVM-MIL算法具有优良的分类性能.由于该算法针对个体样例的正负分类进行判断,因而能够确定图像区域与关键词之间的对应关系,克服了大多数多例学习算法的缺点.

关键词：图像自动标注多例学习支持向量机整型规划启发式最优化算法

来源：评论

学校读者我要写书评

暂无评论

基于蒙特卡罗数据集均衡与鲁棒性增量极限学习机的图像自动标注

引用

电子学报 2017年第12期45卷 2925-2935页

作者：柯逍邹嘉伟杜明智周铭柯福州大学数学与计算机科学学院福建福州350116 福建省网络计算与智能信息处理重点实验室(福州大学) 福建福州350116

针对传统图像标注模型存在着训练时间长、对低频词汇敏感等问题,该文提出了基于蒙特卡罗数据集均衡和鲁棒性增量极限学习机的图像自动标注模型.该模型首先对公共图像库的训练集数据进行图像自动分割,选择分割后相应的种子标注词,并通过... 详细信息

针对传统图像标注模型存在着训练时间长、对低频词汇敏感等问题,该文提出了基于蒙特卡罗数据集均衡和鲁棒性增量极限学习机的图像自动标注模型.该模型首先对公共图像库的训练集数据进行图像自动分割,选择分割后相应的种子标注词,并通过提出的基于综合距离的图像特征匹配算法进行自动匹配以形成不同类别的训练集.针对公共数据库中不同标注词的数据规模相差较大,提出了蒙特卡罗数据集均衡算法使得各个标注词间的数据规模大体一致.然后针对单一特征描述存在的不足,提出了多尺度特征融合算法对不同标注词图像进行有效的特征提取.最后针对传统极限学习机存在的隐层节点随机性和输入向量权重一致性的问题,提出了鲁棒性增量极限学习,提高了判别模型的准确性.通过在公共数据集上的实验结果表明:该模型可以在很短时间内实现图像的自动标注,对低频词汇具有较强的鲁棒性,并且在平均召回率、平均准确率、综合值等多项指标上均高于现流行的大多数图像自动标注模型.

关键词：蒙特卡罗数据集均衡多尺度特征融合极限学习机图像自动标注

来源：评论

学校读者我要写书评

暂无评论

基于弱匹配概率典型相关性分析的图像自动标注

引用

软件学报 2017年第2期28卷 292-309页

作者：张博郝杰马刚史忠植中国矿业大学计算机科学与技术学院江苏徐州221116 中国科学院计算技术研究所智能信息处理重点实验室北京100190 中国科学院大学北京100049 徐州医科大学医学信息学院江苏徐州221004

针对弱匹配多模态数据的相关性建模问题,提出了一种弱匹配概率典型相关性分析模型(semi-paired probabilistic CCA,简称Semi PCCA).Semi PCCA模型关注于各模态内部的全局结构,模型参数的估计受到了未匹配样本的影响,而未匹配样本则揭示... 详细信息

针对弱匹配多模态数据的相关性建模问题,提出了一种弱匹配概率典型相关性分析模型(semi-paired probabilistic CCA,简称Semi PCCA).Semi PCCA模型关注于各模态内部的全局结构,模型参数的估计受到了未匹配样本的影响,而未匹配样本则揭示了各模态样本空间的全局结构.在人工弱匹配多模态数据集上的实验结果表明,Semi PCCA可以有效地解决传统CCA(canonical correlation analysis)和PCCA(probabilistic CCA)在匹配样本不足的情况下出现的过拟合问题,取得了较好的效果.提出了一种基于Semi PCCA的图像自动标注方法.该方法基于关联建模的思想,同时使用标注图像及其关键词和未标注图像学习视觉模态和文本模态之间的关联,从而能够更准确地对未知图像进行标注.

关键词：典型相关性分析概率典型相关性分析弱匹配典型相关性分析图像自动标注

来源：评论

学校读者我要写书评

暂无评论

基于判别模型与生成模型的层叠图像自动标注

引用

模式识别与人工智能 2011年第3期24卷 305-313页

作者：柯逍李绍滋曹冬林厦门大学信息科学与技术学院智能科学与技术系厦门361005 厦门大学福建省仿脑智能系统重点实验室厦门361005 福州大学数学与计算机科学学院福州350108

图像自动标注是模式识别与计算机视觉等领域中重要而又具有挑战性的问题.针对现有模型存在数据利用率低与易受正负样本不平衡影响等问题,提出了基于判别模型与生成模型的新型层叠图像自动标注模型.该模型第一层利用判别模型对未标注图... 详细信息

图像自动标注是模式识别与计算机视觉等领域中重要而又具有挑战性的问题.针对现有模型存在数据利用率低与易受正负样本不平衡影响等问题,提出了基于判别模型与生成模型的新型层叠图像自动标注模型.该模型第一层利用判别模型对未标注图像进行主题标注,获得相应的相关图像集;第二层利用提出的面向关键词的方法建立图像与关键词之间的联系,并使用提出的迭代算法分别对语义关键词与相关图像进行扩展;最后利用生成模型与扩展的相关图像集对未标注图像进行详细标注.该模型综合了判别模型与生成模型的优点,通过利用较少的相关训练图像来获得更好的标注结果.在Corel 5K图像库上进行的实验验证了该模型的有效性.

关键词：图像自动标注层叠模型相关图像扩展语义扩展

来源：评论

学校读者我要写书评

暂无评论

基于概念索引的图像自动标注

引用

计算机研究与发展 2007年第3期44卷 452-459页

作者：路晶马少平清华大学计算机科学与技术系智能技术与系统国家重点实验室北京100084

在基于内容的图像检索中,建立图像底层视觉特征与高层语义的联系是个难题.一个新的解决方法是按照图像的语义内容进行自动标注.为了缩小语义差距,采用基于支持向量机(SVM)的多类分类器为空间映射方法,将图像的底层特征映射为具有一定高... 详细信息

在基于内容的图像检索中,建立图像底层视觉特征与高层语义的联系是个难题.一个新的解决方法是按照图像的语义内容进行自动标注.为了缩小语义差距,采用基于支持向量机(SVM)的多类分类器为空间映射方法,将图像的底层特征映射为具有一定高层语义的模型特征以实现概念索引,使用的模型特征为多类分类的结果以概率形式组合而成.在模型特征组成的空间中,再使用核函数方法对关键词进行了概率估计,从而提供概念化的图像标注以用于检索.实验表明,与底层特征相比,使用模型特征进行自动标注的结果F度量相对提高14%.

关键词：图像自动标注多类分类器空间映射模型向量

来源：评论

学校读者我要写书评

暂无评论

融合语义主题的图像自动标注

引用

软件学报 2011年第4期22卷 801-812页

作者：李志欣施智平李志清史忠植中国科学院计算技术研究所智能信息处理重点实验室北京100190 中国科学院研究生院北京100049

由于语义鸿沟的存在,图像自动标注已成为一个重要课题.在概率潜语义分析的基础上,提出了一种融合语义主题的方法以进行图像的标注和检索.首先,为了更准确地建模训练数据,将每幅图像的视觉特征表示为一个视觉"词袋";然后设计... 详细信息

由于语义鸿沟的存在,图像自动标注已成为一个重要课题.在概率潜语义分析的基础上,提出了一种融合语义主题的方法以进行图像的标注和检索.首先,为了更准确地建模训练数据,将每幅图像的视觉特征表示为一个视觉"词袋";然后设计一个概率模型分别从视觉模态和文本模态中捕获潜在语义主题,并提出一种自适应的不对称学习方法融合两种语义主题.对于每个图像文档,它在各个模态上的主题分布通过加权进行融合,而权值由该文档的视觉词分布的熵值来确定.于是,融合之后的概率模型适当地关联了视觉模态和文本模态的信息,因此能够很好地预测未知图像的语义标注.在一个通用的Corel图像数据集上,将提出的方法与几种前沿的图像标注方法进行了比较.实验结果表明,该方法具有更好的标注和检索性能.

关键词：图像自动标注主题模型概率潜语义分析自适应不对称学习图像检索

来源：评论

学校读者我要写书评

暂无评论

基于区域空间与词汇加权的图像自动标注

引用

天津大学学报 2011年第3期44卷 248-256页

作者：柯逍李绍滋厦门大学智能科学与技术系厦门361005 福建省仿脑智能系统重点实验室厦门361005

图像自动标注是图像检索与图像理解中重要而又极具挑战性的问题.针对现有模型忽略了图像不同区域对图像整体贡献程度的差异性,提出了基于区域空间加权的标注方法,改善了图像的区域特征生成概率估计.此外,针对现有模型未考虑词汇本身重... 详细信息

图像自动标注是图像检索与图像理解中重要而又极具挑战性的问题.针对现有模型忽略了图像不同区域对图像整体贡献程度的差异性,提出了基于区域空间加权的标注方法,改善了图像的区域特征生成概率估计.此外,针对现有模型未考虑词汇本身重要性以及词汇分布对标注性能的影响,提出了基于词汇固定权值的标注方法、基于平滑词汇频率的标注方法以及基于词汇TF-IDF加权的标注方法,对词汇的生成概率估计部分进行了改进.综合以上区域空间改进与词汇改进,提出了WDVRM图像标注模型.通过在Corel数据库进行的实验,验证了WDVRM模型的有效性.

关键词：图像自动标注区域加权词汇加权相关模型

来源：评论

学校读者我要写书评

暂无评论

融合主题和视觉语义的图像自动标注方法

引用

计算机辅助设计与图形学学报 2013年第11期25卷 1709-1714页

作者：赵鹏王文彬朱伟伟安徽大学计算智能与信号处理教育部重点实验室合肥230039 安徽大学计算机科学与技术学院合肥230601

为了减小图像语义检索过程中"语义鸿沟"的影响,提出融合主题和视觉语义的图像自动标注方法.该方法先在训练集的文本空间中用概率潜在语义分析(PLSA)模型拟合出主题集合;然后根据图像的高维视觉特征建立主题集合中每个主题的... 详细信息

为了减小图像语义检索过程中"语义鸿沟"的影响,提出融合主题和视觉语义的图像自动标注方法.该方法先在训练集的文本空间中用概率潜在语义分析(PLSA)模型拟合出主题集合;然后根据图像的高维视觉特征建立主题集合中每个主题的高斯混合模型(GMM),以准确描述其视觉语义信息,减小了"语义鸿沟",提高了图像自动标注的准确性.在Corel数据集上进行了对比实验的结果表明,文中方法在标注的平均标准率和平均标全率上都表现良好,证明了其有效性.

关键词：高斯混合模型概率潜在语义分析图像自动标注语义鸿沟特征聚类

来源：评论

学校读者我要写书评

暂无评论

基于相关视觉关键词的图像自动标注方法研究

引用

计算机研究与发展 2012年第4期49卷 846-855页

作者：柯逍李绍滋曹冬林福州大学数学与计算机科学学院福州350108 厦门大学智能科学与技术系福建厦门361005

图像自动标注是计算机视觉与模式识别等领域中的重要问题.针对现有模型未对文本关键词的视觉描述形式进行建模,导致标注结果中大量出现与图像视觉内容无关的标注词等问题,提出了基于相关视觉关键词的图像自动标注模型VKRAM.该模型将标... 详细信息

图像自动标注是计算机视觉与模式识别等领域中的重要问题.针对现有模型未对文本关键词的视觉描述形式进行建模,导致标注结果中大量出现与图像视觉内容无关的标注词等问题,提出了基于相关视觉关键词的图像自动标注模型VKRAM.该模型将标注词分为非抽象标注词与抽象标注词.首先建立非抽象标注词的视觉关键词种子,并提出了一个新方法抽取非抽象标注词对应的视觉关键词集合;接着根据抽象关键词的特点,运用提出的基于减区域的算法抽取抽象关键词对应的视觉关键词种子与视觉关键词集合;然后提出一个自适应参数方法与快速求解算法用于确定不同视觉关键词的相似度阈值;最后将上述方法相结合并用于图像自动标注中.该模型能从一定程度上解决标注结果中出现的大量无关标注词问题.实验结果表明,该模型在大多数指标上相比以往模型均有所提高.

关键词：图像自动标注视觉关键词自适应阈值相关模型抽象标注词非抽象标注词

来源：评论

学校读者我要写书评

暂无评论

基于自适应加权融合的半监督图像自动标注

引用

自动化学报 2021年

作者：李志欣林兰张灿龙马慧芳赵卫中广西师范大学广西多源信息挖掘与安全重点实验室西北师范大学计算机科学与工程学院华中师范大学计算机学院

为了缩减语义鸿沟并缓解人工标注工作量大的问题,提出一种基于自适应加权融合的半监督图像自动标注方法,能够有效利用无标签图像更准确地完成标注任务.首先提取训练集中有标签图像的两个不同特征集,训练两个初始分类器——分别基于支持... 详细信息

为了缩减语义鸿沟并缓解人工标注工作量大的问题,提出一种基于自适应加权融合的半监督图像自动标注方法,能够有效利用无标签图像更准确地完成标注任务.首先提取训练集中有标签图像的两个不同特征集,训练两个初始分类器——分别基于支持向量机和卷积神经网络构建;然后提取无标签图像相应的特征输入这两个分类器,分别获得各幅图像对应的标签,再利用自适应加权融合策略重新计算每幅图像对应标签的置信度;最后选择置信度高的图像及其标签加入训练集,并重新训练最初构建的分类器,从而获得一个强分类器.实验在三个大规模基准数据集上进行，对比当前先进的方法,本文方法在大多数性能指标上都表现更优越,从而验证了其有效性和可扩展性.

关键词：图像自动标注半监督学习自适应加权融合协同训练卷积神经网络支持向量机

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：