多視圖學習在網(wǎng)絡圖像情感分析中的應用.pdf

1、互聯(lián)網(wǎng)技術(shù)的發(fā)展，使得網(wǎng)絡上傳的圖像數(shù)量愈來愈多。這些圖像表達了多方面的信息:媒體新聞報道、個人狀態(tài)分享、用戶情感宣泄等，其中社交媒體的廣泛使用更使得網(wǎng)絡成為表達個人情感和觀點的重要平臺。從互聯(lián)網(wǎng)信息中挖掘用戶和群眾的情感態(tài)勢方面的研究越來越受到研究者的重視，它對社會輿情分析、產(chǎn)品設計改良、媒體事件傳播等具有重要的作用。圖像作為網(wǎng)絡不可或缺的信息載體，網(wǎng)絡圖像情感分析便變得十分必要。一種可取的網(wǎng)絡圖像情感分析方法是將圖像分為包含人臉和非

2、人臉的兩類。為了分析特定人物情感，需要獲取網(wǎng)絡中該人物的圖像，而網(wǎng)絡中大部分不含標簽信息，圖像聚類分析對網(wǎng)絡人物圖像篩選十分重要。同時為了分析一般圖像所表達的情感，需要有效的圖像情感分類學習方法。本文便主要研究圖像聚類分析和圖像情感分類學習。
　　傳統(tǒng)的圖像聚類和情感分類方法多采用單一的圖像特征，然而隨著計算機視覺的發(fā)展，特征提取方法由底層特征、中層語義特征、深度學習等不斷發(fā)展，不同視圖特征表達了相似和互補的信息，相對單視圖多視圖

3、特征能更好地表達圖像信息。本文研究多視圖學習方法，更好進行圖像聚類分析和情感分類學習，具體工作包括:
　　(1)基于流形學習思想，提出內(nèi)部局部結(jié)構(gòu)約束的多視圖學習算法。在多視圖學習中多考慮視圖之間的一致性、互補性約束等，但忽略了單個視圖內(nèi)部的結(jié)構(gòu)。本文考慮樣本之間的內(nèi)部局部結(jié)構(gòu)約束，并引入至高效的特征學習NMF方法中。提出新的多視圖學習算法MultiGNMF，并用于圖像聚類分析中。
　　(2)針對數(shù)據(jù)存在負數(shù)問題，將上述方法

4、擴展為無非負要求。非負矩陣分解要求數(shù)據(jù)具有非負性，而現(xiàn)實科研數(shù)據(jù)中無可避免負數(shù)。結(jié)合SemiNMF算法的求解，本文將MultiGNMF算法擴展，提出MultiGSemiNMF算法。本文在兩個公開的圖像聚類庫:UCI Digital和CMU PIE中做圖像聚類實驗，結(jié)果證明了本文提出的兩個算法的有效性。
　　(3)基于多視圖學習框架，研究圖像情感分類學習多視圖特征選擇算法。圖像情感語義較為抽象，單一視覺特征存在情感語義鴻溝。結(jié)合中層