基于多標記學習的圖像標注算法研究與實現.pdf

1、近年來，在計算機技術、數字媒體以及多媒體信息高速發(fā)展的大背景下，手機、數碼相機等高科技產品已經深入人們的生活，隨之而來的是呈爆炸式增長的海量圖像信息。因此，如何有效地對這些海量圖像進行檢索就成為了如今計算機視覺及圖像處理領域研究的熱點問題。
　　自動圖像標注算法為給定圖像自動地分配語義相關的關鍵字信息，目前已成為圖像分類、檢索的重要方法。大多數的研究把圖像標注看做一個典型的多標記分類問題，這使得自動圖像標注算法取得了一定的進展，但

2、面對海量的圖像數據，它們仍然存在一些問題:一是現實中訓練樣本不足，二是已標注圖像數據集的噪聲問題，三是如何使預測的關鍵字信息準確地反映圖像特征。這三個問題已成為限制圖像標注算法準確率的重要因素。
　　為了提高自動圖像標注算法的準確率，本論文對現有的圖像標注算法進行了分類整理和深入分析，在多標記學習的基礎上，從結合低秩約束正則項的半監(jiān)督學習方法以及標簽排序這兩個角度入手，提出了兩種圖像標注算法，并且在ESPGame、IAPRTC-1

3、2、NUS-WIDE等數據庫上驗證了算法的高效性，主要的研究成果如下:
　　(1)基于結構化低秩表示的半監(jiān)督學習框架下的圖像標注算法。該方法把不同標簽的預測模型融合到一個矩陣中，并且引入了矩陣核范數形式的正則項，以此來獲得不同標簽之間的相關性以及控制模型的復雜程度。除此之外，該算法通過引入圖拉普拉斯正則項來充分考慮在已標注和未標注圖像上的局部幾何結構。同時，考慮到已標注圖像的標簽噪聲問題，算法引入了一個理想的完備矩陣來自動恢復丟失

4、的標簽、更正錯誤的標簽。本文給出了對該算法框架的求解方法，并且在多個數據庫中進行圖像標注實驗，驗證了算法的有效性。
　　(2)基于標簽排序以及矩陣恢復的圖像標注算法。該方法根據已給定圖像的相關性對標簽進行降序排列，而不再是簡單的二值選擇，解決了多標記學習中訓練樣本不足、已標注圖像的標簽不完備的問題。與此同時，該方法將標簽排序模型引入到矩陣恢復問題中，并且考慮了矩陣低秩約束標簽相關性，因此在標簽空間很大而訓練樣本數有限的情況仍然可以