基于語義場(chǎng)景分類與多視角學(xué)習(xí)的圖像自動(dòng)標(biāo)注方法研究.pdf

1、如今，數(shù)字圖像的數(shù)量呈爆炸式增長(zhǎng)，海量數(shù)據(jù)的管理需要一個(gè)有效的瀏覽、分類和搜索系統(tǒng)。自動(dòng)圖像標(biāo)注技術(shù)用于為圖像分配標(biāo)簽以獲得更準(zhǔn)確的檢索、分類結(jié)果；圖像表示通常有多種，融合不同的特征能夠提供更好的表征能力，提高圖像標(biāo)注、分類算法的效果。本文就是對(duì)自動(dòng)圖像標(biāo)注算法以及多視角特征學(xué)習(xí)進(jìn)行研究。
　　現(xiàn)存常見圖像標(biāo)注方法可以分為兩類：基于搜索數(shù)據(jù)庫的方法和基于模型學(xué)習(xí)的方法。基于搜索數(shù)據(jù)庫的方法利用數(shù)據(jù)庫中已標(biāo)注的圖像直接提供標(biāo)簽候選序

2、列，具有簡(jiǎn)單、有效的特點(diǎn)，近些年得到廣泛應(yīng)用。然而此類方法一方面忽略標(biāo)簽之間的共現(xiàn)關(guān)系，導(dǎo)致了較低的準(zhǔn)確率，另一方面在大數(shù)據(jù)集中此類算法是低效的?；谀Ｐ蛯W(xué)習(xí)的方法中，自動(dòng)圖像標(biāo)注問題可以看作多類別分類問題或者針對(duì)每個(gè)標(biāo)簽的二分類問題。此類方法大都沒有考慮標(biāo)簽之間潛在的場(chǎng)景信息，當(dāng)數(shù)據(jù)集標(biāo)簽數(shù)量巨大時(shí)，則意味著巨大的分類輸出空間，從而導(dǎo)致此類方法不再適合。
　　針對(duì)在圖像標(biāo)注問題中沒有考慮標(biāo)簽與語義場(chǎng)景間的映射關(guān)系以及存在的標(biāo)簽硬

3、分類問題，本文基于非負(fù)矩陣分解提出了一種標(biāo)簽的語義場(chǎng)景劃分方法，實(shí)現(xiàn)了標(biāo)簽與語義場(chǎng)景間的概率映射。繼而利用場(chǎng)景分類找到樣本語義相關(guān)的場(chǎng)景，最后在樣本語義相關(guān)的場(chǎng)景中利用KNN-based算法完成圖像標(biāo)注。實(shí)驗(yàn)表明，本算法不僅提高了算法效率，同時(shí)提高了標(biāo)注效果。
　　由于不同特征對(duì)不同的語義概念有不同的表征能力，所以圖像分類、標(biāo)注算法通常都基于多種不同底層特征。多視角特征的引入在提高了算法效率的同時(shí)，也增加了算法需要處理的特征維度，

4、影響了算法效率、降低了算法可用性?，F(xiàn)存多特征融合、降維算法通常屬于無監(jiān)督學(xué)習(xí)方式，沒有利用到數(shù)據(jù)集中已存的標(biāo)簽信息，因而導(dǎo)致了新特征不能有效得蘊(yùn)含樣本之間的語義關(guān)系。
　　針對(duì)上述問題以及圖像標(biāo)注問題中樣本含有多個(gè)標(biāo)簽的特性，本文提出了基于多視角特征和圖嵌入的半監(jiān)督圖像標(biāo)注算法。首先，該算法通過建立新的基于圖嵌入的多視角NMF算法模型，對(duì)多視角特征進(jìn)行融合、降維，然后通過KNN-based算法利用新的特征實(shí)現(xiàn)圖像標(biāo)注。實(shí)驗(yàn)表明，該