基于特征重建與語義相關(guān)性校準(zhǔn)的圖像標(biāo)注研究.pdf

1、圖像自動(dòng)標(biāo)注的研究是當(dāng)前圖像處理領(lǐng)域中的研究熱點(diǎn)。對(duì)圖像數(shù)據(jù)進(jìn)行準(zhǔn)確的標(biāo)注，能夠有效的提高對(duì)圖像信息等數(shù)據(jù)的管理。同時(shí)在很多領(lǐng)域也有非常重要的意義。在當(dāng)前的研究中，研究人員相繼提出了基于分類、基于概率模型和基于主題的圖像標(biāo)注模型。在圖像標(biāo)注的研究過程中，存在很多限制標(biāo)注性能的問題：第一是圖像的底層視覺特征與高層語義信息之間的語義鴻溝問題；第二是標(biāo)注詞無法與圖像中的目標(biāo)對(duì)象進(jìn)行一一對(duì)應(yīng)的問題。針對(duì)這些問題，研究人員提出了很多改善的自動(dòng)圖像

2、標(biāo)注算法。在基于分類的標(biāo)注模型中，到目前為止最優(yōu)秀的標(biāo)注模型為多類標(biāo)簽方法（Supervised Multiclass Labeling，SML），但是這種算法對(duì)參數(shù)的選擇有較強(qiáng)的依賴性。除此之外，研究人員還提出了CMRM、CRM和MBRM等經(jīng)典的基于概率模型的圖像標(biāo)注方法。后續(xù)的研究中，還提出了LSA、PLSA等基于主題的標(biāo)注模型，雖然這些模型取得不錯(cuò)的標(biāo)注效果，但是由于算法復(fù)雜度較高，面對(duì)大量數(shù)據(jù)，很難達(dá)到理想的標(biāo)注效果。也就是說，

3、這些算法都存在各自的局限性。
　　本文從特征優(yōu)化的方面入手，提出了一種特征加權(quán)重建的方法，這種方法能夠有效的加強(qiáng)特征向量所包含的圖像的視覺內(nèi)容信息，主要通過對(duì)正例特征與反例特征加權(quán)求差值，從而利用差值加強(qiáng)特征向量。實(shí)驗(yàn)表明，這種算法取得了相對(duì)較好的標(biāo)注性能。為了使標(biāo)注性能得到進(jìn)一步改善，提出了一種對(duì)標(biāo)注結(jié)果進(jìn)行校準(zhǔn)的方法，該方法提取了圖像語義標(biāo)注詞之間存在的相關(guān)性，在通過上述方法得到初步標(biāo)注結(jié)果后，借助語義信息之間的相關(guān)性，并通過