检索结果-内蒙古大学图书馆

计算机仿真 2016年第8期33卷 229-233页

作者：孙沁瑶谢涛于重重马萌北京工商大学计算机与信息工程学院北京100048

为了提高图像检索的准确率,采用标签传播算法对图像进行自动标注。针对上述算法在样本数量不平衡的情况下标注效果不佳的问题,提出了改进策略。首先利用加权的K均值算法对图像按语义概念进行聚类,然后在相同的语义概念类中使用标签传播... 详细信息

为了提高图像检索的准确率,采用标签传播算法对图像进行自动标注。针对上述算法在样本数量不平衡的情况下标注效果不佳的问题,提出了改进策略。首先利用加权的K均值算法对图像按语义概念进行聚类,然后在相同的语义概念类中使用标签传播算法进行标注。同时还研究了语义标签之间的相关性度量方法,考虑了图像和标签集之间相关性及标签集内部相关性的影响,从候选标签集合中选择标签。实验结果表明,在样本数较多的情况下,改进后的算法的分类准确率优于传统的标签传播算法和SVM算法,并使用相关度度量方法取得较好结果,提高了图像检索的准确率。

关键词：图像自动标注标签传播算法相关度度量

来源：评论

学校读者我要写书评

暂无评论

基于语义学习的图像多模态检索

引用

计算机工程 2013年第3期39卷 258-263页

作者：李志欣施智平陈宏朝吴璟莉广西师范大学计算机科学与信息工程学院广西桂林541004 首都师范大学信息工程学院北京100048

针对语义鸿沟问题,在语义学习的基础上设计图像的多模态检索系统。该系统结合3种查询方式进行图像检索。基于视觉特征的查询通过特征提取与相似度匹配进行排位。基于标签的查询建立在图像自动标注的基础上,但在语义空间之外的泛化能力... 详细信息

针对语义鸿沟问题,在语义学习的基础上设计图像的多模态检索系统。该系统结合3种查询方式进行图像检索。基于视觉特征的查询通过特征提取与相似度匹配进行排位。基于标签的查询建立在图像自动标注的基础上,但在语义空间之外的泛化能力较差。基于语义图例的查询能够在很大程度上克服这个缺陷,通过在显式或隐式的语义空间上进行查询,使检索结果更符合人类感知。实验结果表明,与基于纹理特征的图像检索相比,基于语义图例的检索具有更高的精度及召回率。

关键词：图像多模态检索图像自动标注概率主题建模概率潜在语义分析语义鸿沟语义学习语义多项式

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的图像标注算法研究

基于卷积神经网络的图像标注算法研究

引用

作者：车子豪西安科技大学

学位级别：硕士

随着智能手机、家用电脑等数码设备的普及和通信技术的发展,图像等可视化数据在互联网的共享平台上随处可见,为了对其进行有效的管理和使用,研究者们提出了图像检索技术。但由于技术限制和用户的习惯,搜索引擎都提供基于关键词的图像检... 详细信息

随着智能手机、家用电脑等数码设备的普及和通信技术的发展,图像等可视化数据在互联网的共享平台上随处可见,为了对其进行有效的管理和使用,研究者们提出了图像检索技术。但由于技术限制和用户的习惯,搜索引擎都提供基于关键词的图像检索,这种检索方式需要提前使用关键词对图像进行标注,但仅依靠手工的方式进行标注时间成本和人工成本是难以想象的,因此图像自动标注技术迅速发展起来。传统的图像自动标注算法由于模型复杂且泛化性能差,存在标注结果准确率低等缺点,为此,本文提出了两种基于卷积神经网络的图像自动标注算法。主要工作如下:(1)针对图像中小尺度目标标注准确率低和标注的类别不均衡的问题,提出了融合多尺度特征和代价敏感学习的图像标注方法。该方法对VGG16的网络结构进行了调整,添加了特征融合模块。特征融合模块分为多尺度特征提取和特征融合。多尺度特征提取模块从卷积特征提取多尺度特征,特征融合模块在网络学习过程中自适应的融合特征,并在多标签损失函数的基础上提出了代价敏感的多标签损失函数。实验表明,融合多尺度特征和代价敏感学习的图像标注算法能够在保证高频标签标注性能的同时,提升对低频标签的标注性能。(2)针对图像标注数据集存在的训练样本不充足和标注的类别不均衡的问题,设计了基于双卷积神经网络的图像标注方法。首先提出了基于生成对抗网络的图像扩充方法,与传统图像扩充方法相结合解决训练样本不充足问题;其次改进卷积神经网络结构,引入可形变卷积和滤波池化来加强对不同尺度对象的标注能力;最后对数据集进行划分,划分为全部数据集和低频标签数据集,分别独立训练两个卷积神经网络模型,并设计标注结果融合模块对两个模型标注结果进行融合,低频数据集训练出来的模型更适用于标注低频标签,降低了类别不平衡对低频标签的影响。实验表明,基于双卷积神经网络模型的图像标注算法能够提升图像标注的准确率。

关键词：图像自动标注深度学习卷积神经网络特征融合生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的图像标注技术研究与实现

基于深度学习的图像标注技术研究与实现

引用

作者：胡君林电子科技大学

学位级别：硕士

图像自动标注就是一种将图片内容映射为对应的自然语言描述的技术,具有重要应用价值。比如,可帮助视力缺陷者更好地理解周围的环境从而替代导盲犬的工作以及可以帮助幼儿看图识字等等。当前对图像标注的研究大多数是基于Encoder-Decode... 详细信息

图像自动标注就是一种将图片内容映射为对应的自然语言描述的技术,具有重要应用价值。比如,可帮助视力缺陷者更好地理解周围的环境从而替代导盲犬的工作以及可以帮助幼儿看图识字等等。当前对图像标注的研究大多数是基于Encoder-Decoder框架,它通常涉及两个关键点:一个是图像特征的提取,另一个就是提取的视觉特征解码,生成对应语句描述。本文研究并对经典模型进行了改进,主要工作包括:(1)针对当前存在的注意力机制在图像区域权重分配策略不当、图像特征存在过多冗余信息的问题,本文提出了一种基于Faster R-CNN框架的改进方法来提取图像的目标区域特征。对比实验证实,此方法提取到的带属性描述的目标区域特征对标注的生成性能有很大提升。(2)传统Attention机制没有考虑Q和K或者V是否相关,如果不相关可能会对模型的生成结果产生误导。为了解决该问题,本文提出了一种修正的Attention策略,并基于Transformer架构,提出了一种基于Multi-Head Attention的优化框架。提出的这种优化框架能够成功修正传统Attention机制的不足,改善模型在图像标注评价指标上的表现。(3)目前的标注模型很少考虑注意力本身潜在的连贯性。针对此情况,本文在两层Up-Down模型上进行改进,提出了一种基于注意力连贯性机制的CA-LSTM图像标注模型。实验表明,本文提出的这种新模型比传统Up-Down能更快、更准确地生成句子描述。它充分挖掘了注意力潜在的连贯性,因此在进行推断时可以显著减小曝光偏差等问题。

关键词：图像自动标注注意力机制强化学习长短期记忆

来源：评论

学校读者我要写书评

暂无评论

自动图像语义标注方法的研究

自动图像语义标注方法的研究

引用

作者：吕海峰江南大学

学位级别：硕士

随着互联网、云计算,人工智能和大数据等技术的多元化发展,互联网中图像数量急剧增加。由此产生了一个备受用户关注的问题:如何在这些海量的图像中高效地检索到满足需求的图像。而图像检索的效果很大程度上依赖于图像语义标注,但是由于... 详细信息

随着互联网、云计算,人工智能和大数据等技术的多元化发展,互联网中图像数量急剧增加。由此产生了一个备受用户关注的问题:如何在这些海量的图像中高效地检索到满足需求的图像。而图像检索的效果很大程度上依赖于图像语义标注,但是由于图像底层特征与高层语义之间的“语义鸿沟”的存在,对于图像语义标注工作仍然具有很大的挑战性。针对此问题,本文围绕图像自动标注展开深入的研究,主要做了以下工作:(1)本文基于支持向量机的图像分类模型和融合语义主题的图像标注模型,提出了一种融合图像分类信息的概率语义分析模型的图像标注方法。两者融合后优势互补,首先,基于支持向量机的图像分类弥补了在概率语义分析模型中的图像特征数据在量化过程中仍会丢失重要信息的问题;其次,基于支持向量机的分类模型专一地提取图像的颜色特征,而概率语义分析模型只是笼统的提取图像的底层特征,融合后可以有效地避免因特征提取方式不当对图像标注结果造成不利影响。两者融合后,得到图像的候选标注词概率集,实验表明,其图像标注的性能有了显著的提高。(2)为了进一步优化提高图像标注的质量,本文又提出了融合相似度模型的图像标注方法,该方法的思想是:利用图像相似度算法计算出待标注图像和已标注图像集之间的相似度,统计出相似图像的文本标签及数量,生成一个图像间相似度权重,融入到候选标注词概率集中,对标注结果进行优化,实验表明其标注性能在原有的基础上有了明显的提高。(3)基于本文的提出的标注模型开发了一个图像标注与检索的微型系统,主要包括图像模型训练、图像标注和图像检索三个模块。首先利用图像数据集的训练集对图像标注模型进行训练,然后对待标注图像进行标注,最后可以通过文本关键字或图像实例对图像进行检索。本文采用Corel5k,Espgame和Iaprtc12图像集进行仿真实验,利用查准率、查全率和综合评价指标对标注结果进行评价。并且与翻译模型TM、跨媒体相关模型-CMRM、连续空间相关模型-CRM、PLSA-WORDS、PLSA-FUSION、RNN、ANNOR-G和FFSS等相关的经典标注模型作了对比。实验表明本文提出的方法获得了较好的效果。

关键词：图像自动标注视觉词袋支持向量机概率潜在语义分析图像相似度

来源：评论

学校读者我要写书评

暂无评论

基于图像特征及上下文的图像标注算法研究与实现

基于图像特征及上下文的图像标注算法研究与实现

引用

作者：曾明明电子科技大学

学位级别：硕士

近些年来,随着信息技术、互联网尤其是移动互联网的迅速发展,网络上各种数据信息呈爆发式增长,人们正从信息时代步入大数据时代,对这些数据进行整理、分析、理解将产生巨大的价值。不同于传统数据分析处理的结构化数据,网络上绝大多数... 详细信息

近些年来,随着信息技术、互联网尤其是移动互联网的迅速发展,网络上各种数据信息呈爆发式增长,人们正从信息时代步入大数据时代,对这些数据进行整理、分析、理解将产生巨大的价值。不同于传统数据分析处理的结构化数据,网络上绝大多数据属于非结构化数据,而这些非结构化数据中图像占了较大部分,对互联网中图像的分析、研究显得愈发重要。由于人们所理解的语义信息与图像底层特征之间“语义鸿沟”的存在,用户想要从海量的互联网图片中寻找出自己感兴趣的图片是较为困难的,迫切需要一种方法来方便用户寻找到所期望的图片,因此,连接高层语义与低层图像特征的方法逐步成为研究的一个热点,而图像自动标注技术(Automatic Image Annotation, AIA)是一个较好的填补用户与图片之间“语义鸿沟”的方法。传统的“图像自动标注技术”仅仅着眼于图像本身,对图像相关信息的利用局限于图像本身特征而没有考虑其他信息,在互联网时代,图像大多存储在网络上,而这些互联网上图像有着丰富的上下文信息,对这些上下文信息加以分析利用将有助于对图像产生更准确、丰富的标注。本文对图像自动标注问题进行了研究。采用了一种基于图像特征和上下文信息的互联网图像自动标注方法来对图像进行标注,该方法分为两个阶段,通过图像特征进行标注以及通过上下文对图像进行补充标注。在利用图像特征进行标注过程中,本文同时利用了图像深度学习特征和SURF特征对图像进行标注,并对二者的标注结果按一定权重进行融合。本文并没有像传统方法那样利用一个训练好的分类器,然后根据图像特征对图像进行分类,而采用了一种新的标注方法,利用已经标注图像与待标注图像的相似性,来对待标注图像进行标注,这样就将图像的自动标注问题转化为图像的检索问题。为了加快图像的检索过程,本文采用B+树森林结构来实现高维向量的快速近似最近邻(ANN)检索。该结构基于图像特征,通过构造多个由随机向量构成的随机分类平面来对样本图像特征进行划分,位于随机分类平面两侧的特征分别被划分到分类平面的不同子树中,再采用与上层不同的随机分类平面对分类结果进行二分类,重复以上过程,直至该类中的图片数量不超过阙值为止,最终形成B+树类型的数据结构,通过构造多个这样的B+树形成B+树森林。在利用深度学习进行图像标注时,利用上述数据结构对待标注图片特征进行划分,理论上,和待标注图片划分在相同叶子节点的样本图片与待标注图片相似度高,利用这些图片与待标注图片的相似度对样本图像的标注进行加权投票,可得到待标注图像的深度学习标注。对于SURF特征标注过程,采用与深度学习标注类似的思想,在样本图像库中检索SURF特征最相似的TopN张图片,对这TopN张图片的标注进行加权,可得到待标注图像的SURF特征标注。对深度学习标注结果和SURF标注结果按照一定的权重进行融合即可得到图像特征标注。图像的上下文往往包含与图像内容相关的信息,通过对图像上下文信息的分析挖掘,将产生更加丰富准确的标注。本文通过图像上下文信息对图像进行补充标注。利用RAKE算法对图像的上下文信息进行核心关键词提取,可得到图像的上下文关键词及对应的权重,为了防止引入无关的上下文信息,产生错误的标注结果,本文利用该关键词标注与图像特征标注的杰卡德距离来对上下文关键词标注的权重进行重新加权,然后对加权之后关键词标注集合与特征标注集合进行合并,对每个标注按照其权重大小进行排序,并按照一定的阈值进行选取,即可得到最终的图像标注结果。与传统方法相比,本文所方法的优点是无需对每个标签进行单独训练、标注效率高,且由于本文方法不受训练集或者标注词集合的限制,标注结果更加丰富。

关键词：互联网图像自动标注上下文深度学习底层特征关键词提取

来源：评论

学校读者我要写书评

暂无评论

面向主题的图像标注与检索

面向主题的图像标注与检索

引用

作者：许青青南京理工大学

学位级别：硕士

随着社会信息化的发展和便携式智能图像获取设备的普及,一方面人们作为图片的创造者可以随时随地分享图片,造成互联网海量图像资源的形成,另一方面人们作为图片的使用者,需要从这海量的资源中寻找满足自己需求的图片。这给图像资源的管... 详细信息

随着社会信息化的发展和便携式智能图像获取设备的普及,一方面人们作为图片的创造者可以随时随地分享图片,造成互联网海量图像资源的形成,另一方面人们作为图片的使用者,需要从这海量的资源中寻找满足自己需求的图片。这给图像资源的管理、组织与检索带来了挑战。因此,图像相关技术的研究越来越多,图像检索就是其中的一个方面。目前,图像检索研究已经取得相当不错的成果。但从研究的学科分布来看,主要集中于计算机科学领域,且注重于技术层面的改进,而图书情报领域对图像检索稍有研究,且主要集中于理论层面的探讨。因此,本论文拟立足于图书情报领域,在保证图像检索精度的同时,对图像检索的研究进行一些新的尝试,如通过“图文结合”方式组织图像检索。本文首先对国内外现有相关研究文献进行了比较全面的调研与梳理,归纳与总结了现有图像检索技术和图像语义自动标注方法的优势与不足。其次,选取人们日常生活中比较关注的多个主题(雾霾、内涝、花卉和秋叶)作为研究对象,从互联网采集各个主题带有“文字说明”的图像。然后,对图像及文本信息分别进行处理,主要包括三个方面:(1)处理图像的描述文本信息,形成图像语义特征标注,主要涉及关键词提取和关键词语义扩展。(2)对图像特征进行处理,形成图像视觉特征标注,主要包括本文提出的改进颜色直方图算法、现有的LBP纹理特征和灰度共生矩阵算法提取过程,重点描述了改进算法,即利用局部颜色熵对分块图像进行自适应加权来改进颜色直方图。(3)综合图像视觉特征构造SVM多分类模型,主要是为了将所构造的图像分类模型用于基于内容的图像检索,通过在图像低层视觉特征和语义类别间建立关联,缩小这种图像检索方式带来的语义鸿沟,以提高检索性能。最后,在图像标注的基础上,设计并实现了图像检索系统,支持多种检索方式:基于文本的图像检索和基于内容的图像检索(以图搜图)以及两者组合检索方式,重点对以图搜图中的关键技术进行探讨,并提供“图文结合”的方式组织图像检索结果,希望这种更加细粒度的结果呈现方式能够改善用户体验。另外,文章通过相关实验验证了系统的可行性和所提方法的有效性。

关键词：图像检索图像自动标注关键词提取特征提取颜色熵 SVM

来源：评论

学校读者我要写书评

暂无评论

基于文本信息与视觉信息相结合的Web图像检索

基于文本信息与视觉信息相结合的Web图像检索

引用

作者：郑欣南昌大学

学位级别：硕士

随着计算机技术和Internet的高速发展,各种各样的信息被存放于互联网这个巨大的信息库里。由于Internet的资源共享和快速通信的强大功能,使得Internet的普及率日益提高,人们越来越多地利用Internet查找和搜索各种信息,这其中,不仅仅有... 详细信息

随着计算机技术和Internet的高速发展,各种各样的信息被存放于互联网这个巨大的信息库里。由于Internet的资源共享和快速通信的强大功能,使得Internet的普及率日益提高,人们越来越多地利用Internet查找和搜索各种信息,这其中,不仅仅有简单的文本数据,更加包括了大量的图像。图像不同于文本,它具有丰富的视觉特征,可以将抽象的数据更加形象化、真实化,有助于用户更加直观、生动地对知识的深入理解。然而,图像的视觉信息非常丰富,由于不同人的感知能力与知识结构等的不同,对相同图像的视觉信息的理解必然存在差异,如何快速、准确地从海量Web图像资源中查找用户需要的图像,成为一个非常具有挑战性的任务。目前主要的Web图像检索方法大致分为两种:一种是基于文本的图像检索(TBIR),另一种是基于内容的图像检索(CBIR)。基于文本的图像检索方法具有人工注解工作量巨大、主观性强以及文本注解无法完全涵盖图像内容的缺陷,而基于内容的图像检索方法虽然有效地克服了人工描述图像的主观性,提高了图像检索的工作效率,但图像的低层视觉特征和高层语义特征之间存在着难以逾越的“语义鸿沟”,大大影响了图像检索的质量。针对上述两种图像检索方法的缺陷和Web图像自身的特点,本文提出了一种改进的Web图像检索方法:把从Web图像所在网页包含的文本信息中提取的文本特征,和从Web图像低层视觉特征中抽取的高层语义特征相结合的Web图像检索。基于以上提出的图像检索方法,首先,本文利用语义相似性计算技术作为语义信息的度量手段,来度量Web图像中文本信息的相似度,并为后面研究Web图像的文本信息和视觉信息(即从低层视觉特征中抽取的高层语义特征)的结合,提供基础和平台。其次,Web图像的低层视觉特征和高层语义特征之间存在着难以逾越的“语义鸿沟”,针对语义鸿沟问题,本文提出了一个基于分类的Web图像内容自动标注方法,来提取图像的高层语义特征;然后,利用语义相似性计算技术,来度量提取出的高层语义特征的质量,并进一步将图像内容的高层语义特征和Web图像文本信息的更好地结合在一起。接着,为了充分利用从Web图像中提取的文本信息和从Web图像低层视觉特征中抽取的高层语义特征,把这两部分的内容放在具有多信息源融合能力的贝叶斯推理网上,将它们充分地结合在一起,实现基于文本信息与视觉信息相结合的Web图像检索方法。基于上述研究,本文设计并实现了一个Web图像检索原型系统,把从Web图像文本信息中提取的文本特征,和从Web图像内容中提取的高层语义特征放入该系统,使两者充分结合实现Web图像检索,研究结果验证了本文提出的方法在Web图像检索中更加有效。

关键词： Web图像检索语义相似性图像自动标注文本信息视觉信息贝叶斯推理网信息结合

来源：评论

学校读者我要写书评

暂无评论

基于图像理解的人机交互问答系统研究

基于图像理解的人机交互问答系统研究

引用

作者：秦铭江南大学

学位级别：硕士

由于基于图像理解的图像检索及查询系统的广阔应用前景以及巨大的应用价值,图像语义标注这一研究领域日益受到人们的关注。图像语义自动标注问题对于研究者而言,仍然是一个不小的挑战,想要精准地对图像进行语义标注,就需跨越图像低层视... 详细信息

由于基于图像理解的图像检索及查询系统的广阔应用前景以及巨大的应用价值,图像语义标注这一研究领域日益受到人们的关注。图像语义自动标注问题对于研究者而言,仍然是一个不小的挑战,想要精准地对图像进行语义标注,就需跨越图像低层视觉特征和高层语义之间的巨大“语义鸿沟”。为了解决图像特征与图像内容的“语义鸿沟”,研究者们提出了许多方法对图像进行关键词标注,主要围绕在生成模型与判别模型这两大主流方法上。本文提出了融合图像类别信息的图像语义标注新方法。该方法充分综合了支持向量机对图像分类和跨媒体相关模型对图像进行标签概率关系计算的优势,同时又互为补充。基于支持向量机的图像分类弥补了跨媒体相关模型对聚类结果依赖性强的问题;另一方面,基于支持向量机的图像分类利用区块颜色特征,而跨媒体相关模型采用稠密SIFT特征生成视觉词包,有效避免了图像分割导致的标注结果不准确的问题,将两者融合后生成的候选标注词集综合了图像的颜色特征和区域特征信息,使图像标注结果的准确性和稳定性都有所提高。为了进一步提高图像标注的准确性,本文在利用上述图像自动标注框架获取到候选标注词集后,对候选标注词集进行文本挖掘处理。使用文本挖掘的目的就是找出文本间的关联关系,通过关联关系判断两个候选标注词是否有概率共同描述同一幅图像,从而在候选标注词集中选取最有可能的一组标注词作为最终标注结果。具体来说,本文采用FP-Tree算法对候选标注词集进行文本挖掘,在应用过程中,将标注词频度与根据改进模型获取得到的标注词概率进行融合,计算出融合标注词概率和文本关联度的标注词参数,从而确定标注词组。由于每幅图像的标注词数目不固定,因此无法通过截取的方式给出最终的标注结果,本文考虑到了将标注词概率进行离散化处理,经过处理后,标注词之间会出现分类属性,由此我们可以确定每幅图像的标注词。本文采用等频离散化的方式对数据进行离散化处理。等频离散化具有操作简单,系统时间和空间开销小等优点,对于本文所产生的大量候选标注词进行处理非常适用。实验结果采用图像查准率与查全率及综合评价系数F值来进行评价。实验在Corel5K的图像数据集上进行,与翻译模型TM、跨媒体相关模型CMRM、连续空间模型CRM等传统图像语义自动标注相比,本文提出的方法表现出了很好的性能,与传统CMRM相比,本文提出的融合了图像类别信息的图像语义标注方法查全率提高了24%,查准率提高了12%;与目前在图像语义标注方面具有良好性能的CRM相比,本文查全率提高了14%,查准率提高了6%;加入了关联规则挖掘后,与传统跨媒体相关模型相比,查全率提高了18%,查准率提高了20%;与目前在图像语义标注方面具有良好性能的CRM相比,本文查全率提高了8%,查准率提高了14%。从实验结果可以看出,本文提出的方法在查准率、查全率上都有所提高,在最终的标注结果中统计的F度量值也有所提高。由此不难看出,本文在图像语义标注领域具有一定的应用和研究价值。

关键词：图像自动标注特征提取支持向量机跨媒体相关模型关联规则挖掘

来源：评论

学校读者我要写书评

暂无评论

基于文本与视觉信息的图像检索技术研究

基于文本与视觉信息的图像检索技术研究

引用

作者：孔文杰山东师范大学

学位级别：硕士

数字图像每天都以惊人的速度产生和发布。图像中含有的信息往往比文本更加丰富，在人们的日常生活中起着至关重要的作用。因此，如何更加有效的组织、管理大型图像数据库，并且能从中检索出符合用户要求的图像。是当前图像检索领域的研... 详细信息

数字图像每天都以惊人的速度产生和发布。图像中含有的信息往往比文本更加丰富，在人们的日常生活中起着至关重要的作用。因此，如何更加有效的组织、管理大型图像数据库，并且能从中检索出符合用户要求的图像。是当前图像检索领域的研究热点。目前图像检索系统主要有两种类型：关键词索引的检索模型和视觉内容索引的检索模型。前者利用图像的标注信息实现检索功能，但因人类个体差异性而无法实现一副图像的统一标注及人工标注代价高昂等弊端，使该检索方案的发展遭遇严重的瓶颈；后者利用图像本身的视觉特征信息实现检索功能，该模型广泛应用于众多领域，但由于底层视觉特征与高层语义之间无法逾越的鸿沟严重阻碍了该方法的发展。研究者们提出了多种结合方案用以发挥两种不同模型优势的同时也避免他们的劣势，这些工作都使图像检索的性能得到了显著提高。本文围绕图像检索，对以自动标注替代人工标注的问题、图像特征表示的问题以及如何融合文本信息与视觉信息的问题进行了研究，具体研究成果如下：（1）现存的图像自动标注技术往往需要将图像分割为若干具有独立语义的图像块，然后比较图像块间的相似度并为待标注图像分配相应的关键词。由于日常生活中的图像种类繁多，有些图像（场景图像）包含的语义内容比较单一，在对这类图像标注关键词时，分割不仅会增加工作量而且可能会因分割过度而引入噪声标注。因此，本文根据待标记图像的复杂度在图像特征提取时采用不同的提取机制，并结合贝叶斯分类算法实现图像的自动标注。（2）传统的基于内容的图像检索方法只考虑了图像的内容特征而忽略了环绕文本的信息。本文针对这一问题提出了分两阶段进行图像检索的方法：首先，根据图像环绕文本的语义信息进行第一阶段的检索，通过该阶段的检索过滤掉一些相关性小的图像，保留相关性大的图像并组成图像库；其次，在该优化了的图像库上根据图像的视觉特征进行第二阶段的检索，并将检索结果作为最终结果返回给用户。检索过程中应用Word Net和IC算法分析、度量环绕文本的语义信息，并采用典型相关分析方法学习不同图像特征间的关系。（3）传统的基于KNN的图像自动标注系统在对图像标注时，将与待标记图像内容最相似的图像的标签作为标记结果，没有考虑图像的高层语义信息。本文研究了一种优化方法来对图像标注的结果进行优化，在标注过程中首先根据KNN算法选出与待标注图像内容最为相似的近邻集合，并根据近邻集合中的位置关系为每幅图像赋予不同的权值；采用Word Net及相关技术为待标注图像筛选出基本关键词集和扩展关键词集。该方法同时考虑到与图像内容相关的关键词也考虑到与图像语义相关的关键词，实验结果表明，标注结果也得到了较好的优化。

关键词：图像检索图像自动标注视觉特征典型相关分析特征提取 Word Net 贝叶斯分类 KNN

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：