基于極限學習機的圖像標注研究.pdf

1、當今是圖像爆炸式增長的時代，急切需要與之相適應的圖像管理和檢索能力。圖像標注不僅可以為普通用戶提供與之使用習慣更加符合的以Web圖像搜索為代表的圖像檢索服務，還將為圖像數(shù)據(jù)的組織、索引、管理帶來革命性的變化，甚至能夠推動圖像理解及整個計算機視覺領(lǐng)域的發(fā)展。此外，圖像標注在商業(yè)應用、數(shù)字圖書館、軍事、生物醫(yī)學、網(wǎng)絡(luò)監(jiān)控、國家安全等方面也有重要的意義。
　　本文首先介紹了圖像標注的一些基礎(chǔ)知識，包括圖像分割，特征提取，標注模型以及評價

2、標準等。圖像分割分為固定劃分和N-Cut算法，在特征提取方面，介紹了顏色、紋理、形狀等特征。評價標準主要是查全率和查準率。本文重點介紹了圖像標注的模型，其中三個主要的模型分別是基于分類的圖像標注，基于概率模型的圖像標注和基于主題的圖像標注。前兩個模型試圖直接尋找圖像（或圖像區(qū)域）與文本標注詞之間的關(guān)系，而基于主題的圖像標注模型則通過引入潛在主題概念建立高層語義與低層視覺特征之間的聯(lián)系，從而實現(xiàn)自動圖像標注。目前，基于機器學習的圖像標注方

3、法得到了廣泛的應用和發(fā)展。其中，學習器模型的選擇就顯得非常重要了。本文圍繞如何提高標注效果和效率展開了研究，并提出一種基于極限學習機（ELM）的圖像標注算法。本方法的特征向量采用的是顏色特征、紋理特征以及SIFT特征組成的復合特征向量，能比較全面的反映圖像的特征，有效提高了檢索的效率。模型訓練中，采用ELM算法，因其結(jié)構(gòu)簡單、學習速度快，大大縮小了模型訓練和標注的時間。隨著ELM的發(fā)展，理論研究和實踐表明，ELM不但可以用于神經(jīng)網(wǎng)絡(luò)中，