基于語義場景分類與多視角學習的圖像自動標注方法研究.pdf

1、如今，數(shù)字圖像的數(shù)量呈爆炸式增長，海量數(shù)據(jù)的管理需要一個有效的瀏覽、分類和搜索系統(tǒng)。自動圖像標注技術(shù)用于為圖像分配標簽以獲得更準確的檢索、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，提高圖像標注、分類算法的效果。本文就是對自動圖像標注算法以及多視角特征學習進行研究。
　　現(xiàn)存常見圖像標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習的方法?；谒阉鲾?shù)據(jù)庫的方法利用數(shù)據(jù)庫中已標注的圖像直接提供標簽候選序

2、列，具有簡單、有效的特點，近些年得到廣泛應(yīng)用。然而此類方法一方面忽略標簽之間的共現(xiàn)關(guān)系，導(dǎo)致了較低的準確率，另一方面在大數(shù)據(jù)集中此類算法是低效的。基于模型學習的方法中，自動圖像標注問題可以看作多類別分類問題或者針對每個標簽的二分類問題。此類方法大都沒有考慮標簽之間潛在的場景信息，當數(shù)據(jù)集標簽數(shù)量巨大時，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。
　　針對在圖像標注問題中沒有考慮標簽與語義場景間的映射關(guān)系以及存在的標簽硬

3、分類問題，本文基于非負矩陣分解提出了一種標簽的語義場景劃分方法，實現(xiàn)了標簽與語義場景間的概率映射。繼而利用場景分類找到樣本語義相關(guān)的場景，最后在樣本語義相關(guān)的場景中利用KNN-based算法完成圖像標注。實驗表明，本算法不僅提高了算法效率，同時提高了標注效果。
　　由于不同特征對不同的語義概念有不同的表征能力，所以圖像分類、標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，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)督學習方式，沒有利用到數(shù)據(jù)集中已存的標簽信息，因而導(dǎo)致了新特征不能有效得蘊含樣本之間的語義關(guān)系。
　　針對上述問題以及圖像標注問題中樣本含有多個標簽的特性，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，對多視角特征進行融合、降維，然后通過KNN-based算法利用新的特征實現(xiàn)圖像標注。實驗表明，該