基于多示例多標記學習的圖像語義標注方法的研究.pdf

1、自動圖像標注技術主要是根據(jù)圖像的底層視覺特征來分析其高層語義信息，并用一個或多個語義標注詞來描述圖像的語義內(nèi)容。由于多示例多標記學習從內(nèi)容表示和概念標記上同時考察了圖像的歧義性，是一個比較合理全面的學習框架，因此，在多示例多標記框架下研究圖像的語義標注是極具價值的。
　　鑒于多示例多標記圖像相似性度量與傳統(tǒng)多標記圖像相似性度量存在一定的區(qū)別，據(jù)此提出了基于平均Hausdorff距離和基于特征轉(zhuǎn)換的包距離計算方法，其中基于特征轉(zhuǎn)換的

2、包距離計算方法是先利用K-mediods聚類或稀疏編碼的方法將多示例特征轉(zhuǎn)換為單示例特征，然后利用傳統(tǒng)多標簽學習方法度量圖像的相似性。結合近鄰優(yōu)化的圖像標注算法，提出了基于稀疏編碼的近鄰優(yōu)化圖像標注算法SP_MIML以及SPML_MI。針對K-mediods聚類的結果多樣化及執(zhí)行代價高等缺點，提出了基于平均Hausdorff距離的支持向量機圖像標注算法。為了進一步挖掘語義，考慮標簽間的語義關聯(lián)信息，提出了基于隱馬爾科夫（HMM）模型的圖