本文選題：SAE(stacked　切入點：auto-encoder)　出處：《軟件學(xué)報》2017年07期 　論文類型：期刊論文

【摘要】：自動圖像標注是一個包含眾多標簽、多樣特征的富有挑戰(zhàn)性的研究問題,是新一代圖像檢索與圖像理解的關(guān)鍵步驟.針對傳統(tǒng)的基于淺層機器學(xué)習(xí)標注算法標注效率低下、難以處理復(fù)雜分類任務(wù)的問題,提出了基于棧式自動編碼器(stacked auto-encoder,簡稱SAE)的自動圖像標注算法,提升了標注效率和標注效果.主要針對圖像標注數(shù)據(jù)不平衡問題,提出兩種解決思路:對于標注模型,提出一種增強訓(xùn)練中低頻標簽的平衡棧式自動編碼器(B-SAE),較好地改善了中低頻標簽的標注效果.并在該模型的基礎(chǔ)上提出一種分組強化訓(xùn)練B-SAE子模型的魯棒平衡棧式自動編碼器算法(RB-SAE),提升了標注的穩(wěn)定性,從而保證模型本身具有較強的處理不平衡數(shù)據(jù)的能力;對于標注過程,以未知圖像作為出發(fā)點,首先構(gòu)造未知圖像的局部均衡數(shù)據(jù)集,并判定該圖像的高低頻屬性以決定不同的標注過程,局部語義傳播算法(SP)標注中低頻圖像,RB-SAE算法標注高頻圖像,形成屬性判別的標注框架(ADA),保證了標注過程具有較強的應(yīng)對不平衡數(shù)據(jù)的能力,從而提升整體圖像標注效果.通過在3個公共數(shù)據(jù)集上進行實驗驗證,結(jié)果表明,該方法在許多指標上相比以往方法均有較大提高.
[Abstract]:Automatic image tagging is a challenging research problem with many tags and various features, which is the key step of the new generation image retrieval and image understanding. It is difficult to deal with the problem of complex classification tasks. This paper proposes an automatic image tagging algorithm based on stack automatic encoder stacked auto-code (SAE), which improves the efficiency and effect of image tagging. Two solutions are proposed: for the annotation model, In this paper, a balanced stack automatic encoder for enhancing low frequency tags in training is presented, which can improve the labeling effect of middle and low frequency tags. Based on this model, a robust balance stack for grouping reinforcement training B-SAE submodel is proposed. The RB-SAE algorithm improves the stability of tagging. In order to ensure that the model itself has a strong ability to deal with unbalanced data, for the annotation process, the unknown image as the starting point, first of all, construct the unknown image of the local equilibrium data set. The high and low frequency attributes of the image are determined to determine the different annotation processes. In the local semantic propagation algorithm (SPV), the low frequency image is labeled by the RB-SAE algorithm, and the high frequency image is labeled by the RB-SAE algorithm. The tagging framework for attribute discrimination can ensure that the labeling process has a strong ability to deal with unbalanced data, thus improving the overall image tagging effect. The experimental results on three common data sets show that, Compared with the previous methods, this method has a great improvement in many indexes.
【作者單位】： 福州大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院;福建省網(wǎng)絡(luò)計算與智能信息處理重點實驗室(福州大學(xué));
【基金】：國家自然科學(xué)基金(61502105) 福建省科技引導(dǎo)性項目(2017H0015) 福建省中青年教師教育科研項目(JA15075)~~
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前4條

1 曲建嶺;杜辰飛;邸亞洲;高峰;郭超然;;深度自動編碼器的研究與展望[J];計算機與現(xiàn)代化;2014年08期

2 秦勝君;盧志平;;基于降噪自動編碼器的不平衡情感分類研究[J];科學(xué)技術(shù)與工程;2014年12期

3 段寶彬;韓立新;;改進的深度卷積網(wǎng)絡(luò)及在碎紙片拼接中的應(yīng)用[J];計算機工程與應(yīng)用;2014年09期

4 ;[J];;年期

相關(guān)碩士學(xué)位論文 前9條

1 梁湘群;基于Gabor特征與深度自動編碼器的笑臉識別方法[D];五邑大學(xué);2015年

2 吳海燕;基于自動編碼器的半監(jiān)督表示學(xué)習(xí)與分類學(xué)習(xí)研究[D];重慶大學(xué);2015年

3 林雨;極限學(xué)習(xí)機與自動編碼器的融合算法研究[D];吉林大學(xué);2016年

4 龐榮;深度神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[D];西南交通大學(xué);2016年

5 李娟;基于深度學(xué)習(xí)的評價對象抽取[D];東南大學(xué);2016年

6 尹曉燕;基于深度學(xué)習(xí)的人臉識別研究[D];天津大學(xué);2014年

7 鄧俊鋒;基于稀疏自動編碼器和邊緣降噪自動編碼器的深度學(xué)習(xí)算法研究[D];武漢科技大學(xué);2016年

8 夏林;基于全噪聲自動編碼器的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[D];武漢科技大學(xué);2016年

9 雒玉璽;稀疏自動編碼器及其加速算法的研究[D];蘭州大學(xué);2014年

，

本文編號：1624773