圖像自動標注算法研究.pdf

1、隨著互聯(lián)網(wǎng)(Internet)的快速發(fā)展，圖像的數(shù)量呈幾何級數(shù)增長，如何從龐大的數(shù)據(jù)庫有效地檢索和管理圖像是現(xiàn)在迫切需要解決的問題。目前，許多Internet公司都開發(fā)了他們自己的圖像搜索引擎，但多數(shù)是采用基于文本的圖像檢索技術(shù)，然而其圖像檢索通常是人工進行標注的方式，既費時又費力。目前，基于內(nèi)容的圖像標注技術(shù)是利用圖像中顏色、紋理、形狀等底層特征進行相似性匹配，國內(nèi)外也進行了大量相關(guān)的研究。但因該技術(shù)存在“語義鴻溝”的問題，制約了其對

2、圖像進行準確、快速標注。
　　本文提出了一種基于聯(lián)合特征選擇的多示例圖像語義自動標注方法。該方法通過訓(xùn)練圖像的語義標簽自動標注測試圖像的標簽。在此基礎(chǔ)上，又對圖像標注做了擴展，提出了基于最大熵模型的圖像標簽分布估計算法，即可以同時得到測試圖像的標簽及標簽所占圖像的比例（標簽分布）。那么對圖像標注和標簽分布這兩個方面，本文的研究內(nèi)容包括：
　　1.針對語義標注的不準確性，本文研究多示例學(xué)習(xí)方法在圖像標注方面的應(yīng)用。首先要對圖像

3、進行示例分割，并提取每個示例的底層特征。然后把這些示例的特征和標簽輸入到算法模型中學(xué)習(xí)。多示例學(xué)習(xí)既可以處理單標簽也可以解決多標簽圖像自動標注問題。
　　2.針對圖像標簽數(shù)量的有限性，本文研究半監(jiān)督學(xué)習(xí)方法在圖像標注方面的應(yīng)用。從數(shù)據(jù)集中選取一部分有標簽的樣本，另一部分沒有標簽的樣本，把它們一起作為訓(xùn)練樣本進行學(xué)習(xí)。采用圖拉普拉斯來解決半監(jiān)督學(xué)習(xí)的問題，首先構(gòu)建加權(quán)圖，然后求得圖拉普拉斯算子，最后代入流行正則化公式對目標函數(shù)進行優(yōu)

4、化。
　　3.設(shè)計了一種基于聯(lián)合特征選擇的多示例多標簽（Joint Feature Selection of Multi-instance Multi-lable,JFS-MIML）圖像自動標注算法。在多示例學(xué)習(xí)的基礎(chǔ)上對數(shù)據(jù)集進行半監(jiān)督的學(xué)習(xí)，又利用流形學(xué)習(xí)的方法可以對特征維數(shù)高的數(shù)據(jù)進行降維處理。與此同時，本文又結(jié)合了稀疏表示構(gòu)建了線性回歸模型，最優(yōu)化得到基于特征選擇的多示例多標簽圖像自動標注算法。在訓(xùn)練得到預(yù)測值后，本文通過

5、采取自適應(yīng)閾值對預(yù)測值進行判定來得到標簽，進而可求得圖像標注的準確率。
　　4.本文對圖像標注進行了擴展，提出一種基于最大熵模型圖像標簽分布學(xué)習(xí)的方法。標簽分布學(xué)習(xí)即可得到圖像的標簽，又可得到每張圖像中標簽的分布信息，進而知道在每幅圖像中每種標簽所占的比例，用戶可優(yōu)先選擇所搜索標簽中比例最大的圖像，提高了圖像檢索準確率和合理性。在標簽分布學(xué)習(xí)的啟發(fā)下，本文把基于特征選擇的多示例多標簽圖像自動標注算法應(yīng)用在標簽分布學(xué)習(xí)中，也得到了較