【摘要】：在為自動(dòng)圖像標(biāo)注構(gòu)建相似圖的過程中,針對(duì)傳統(tǒng)的方法是基于圖像間的視覺相似性,其沒有考慮到數(shù)據(jù)集中某個(gè)子數(shù)據(jù)集內(nèi)的結(jié)構(gòu)信息這一問題,提出一種基于Voronoi k階鄰近圖的半監(jiān)督學(xué)習(xí)自動(dòng)圖像標(biāo)注方法。該方法充分考慮Voronoi k階鄰近圖能很好地表達(dá)空間目標(biāo)的影響區(qū)域以及可以方便地進(jìn)行空間鄰近的描述與推理的特性,將特征空間內(nèi)的圖像數(shù)據(jù)點(diǎn)分布信息融合到點(diǎn)對(duì)間的相似度量表示中,利用未標(biāo)注樣本挖掘圖像特征的內(nèi)在規(guī)律,然后把半監(jiān)督學(xué)習(xí)的方法和多標(biāo)記學(xué)習(xí)有效結(jié)合起來,從而達(dá)到對(duì)圖像進(jìn)行自動(dòng)標(biāo)注。實(shí)驗(yàn)結(jié)果表明,提出的標(biāo)注方法可行,同時(shí)標(biāo)注結(jié)果與傳統(tǒng)的標(biāo)注方法相比得到了明顯改善。
[Abstract]:In the process of constructing similarity graph for automatic image annotation, the traditional method is based on the visual similarity between images, which does not take into account the structural information in a subdataset in the dataset. A semi-supervised learning automatic image tagging method based on Voronoi k-order adjacent graph is proposed. This method takes fully into account that Voronoi k-order adjacent graphs can well express the influence region of spatial objects and can be used to describe and infer spatial neighbor conveniently. The distribution information of image data points in feature space is fused into the similarity metric representation between point pairs, and the inherent laws of image features are mined by using unlabeled samples, and then the semi-supervised learning method and multi-label learning are effectively combined. In order to achieve automatic image tagging. The experimental results show that the proposed labeling method is feasible and the results are improved obviously compared with the traditional labeling methods.
【作者單位】： 安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;合肥師范學(xué)院計(jì)算機(jī)學(xué)院;
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉蓉;李紅艷;;半監(jiān)督學(xué)習(xí)研究與應(yīng)用[J];軟件導(dǎo)刊;2010年08期

2 陳武錦;;半監(jiān)督學(xué)習(xí)研究綜述[J];電腦知識(shí)與技術(shù);2011年16期

3 梁吉業(yè);高嘉偉;常瑜;;半監(jiān)督學(xué)習(xí)研究進(jìn)展[J];山西大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

4 唐曉亮;韓敏;;一種基于極端學(xué)習(xí)機(jī)的半監(jiān)督學(xué)習(xí)方法[J];大連理工大學(xué)學(xué)報(bào);2010年05期

5 李歡;;半監(jiān)督學(xué)習(xí)及其在數(shù)據(jù)挖掘中的應(yīng)用[J];電腦知識(shí)與技術(shù);2010年27期

6 崔鵬;;一種用于半監(jiān)督學(xué)習(xí)的核優(yōu)化設(shè)計(jì)[J];軟件工程師;2013年09期

7 王艷華;楊志豪;李彥鵬;唐利娟;林鴻飛;;基于監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的蛋白質(zhì)關(guān)系抽取[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

8 梅松青;;基于自適應(yīng)圖的半監(jiān)督學(xué)習(xí)方法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2014年02期

9 李燕萍;唐振民;丁輝;張燕;;半監(jiān)督學(xué)習(xí)機(jī)制下的說話人辨認(rèn)算法[J];計(jì)算機(jī)工程;2009年14期

10 王勁松;陳哲;馮靜蘭;顧明亮;;半監(jiān)督學(xué)習(xí)對(duì)十個(gè)口述數(shù)字的識(shí)別[J];電聲技術(shù);2010年04期

相關(guān)會(huì)議論文 前10條

1 柳斌;李之棠;涂浩;;基于半監(jiān)督學(xué)習(xí)的應(yīng)用流分類方法[A];2010年全國(guó)開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集[C];2010年

2 葛薦;馬廷淮;;基于集成算法的半監(jiān)督學(xué)習(xí)研究[A];第29屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（B輯）（NDBC2012）[C];2012年

3 趙玲玲;周水生;王雪巖;;基于集成算法的半監(jiān)督學(xué)習(xí)[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

4 谷方明;劉大有;王新穎;;基于半監(jiān)督學(xué)習(xí)的加權(quán)支持向量域數(shù)據(jù)描述方法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集(B輯)[C];2010年

5 馮瑞;宋春林;;一種基于局部學(xué)習(xí)的復(fù)雜系統(tǒng)建模方法[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

6 陳耀東;王挺;陳火旺;;半監(jiān)督學(xué)習(xí)和主動(dòng)學(xué)習(xí)相結(jié)合的淺層語義分析[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

7 邱慧寧;黃劍;陳羽;賴劍煌;;基于UDP的半監(jiān)督學(xué)習(xí)及其在人臉識(shí)別的應(yīng)用[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 楊源;馬云龍;林鴻飛;;基于權(quán)重標(biāo)準(zhǔn)化SimRank與半監(jiān)督學(xué)習(xí)的產(chǎn)品屬性歸類[A];中國(guó)計(jì)算語言學(xué)研究前沿進(jìn)展（2009-2011）[C];2011年

9 王倩影;馮國(guó)燦;湯鑫;;δ-距離及其在半監(jiān)督增強(qiáng)中的應(yīng)用[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

10 林良憲;利德江;蔡孟璇;邱政賢;;針對(duì)小樣本分類的半監(jiān)督式學(xué)習(xí)法[A];第25屆全國(guó)灰色系統(tǒng)會(huì)議論文集[C];2014年

相關(guān)博士學(xué)位論文 前10條

1 譚學(xué)敏;基于半監(jiān)督學(xué)習(xí)的運(yùn)動(dòng)想象腦-機(jī)接口研究[D];重慶大學(xué);2015年

2 孫博良;在線半監(jiān)督學(xué)習(xí)理論、算法與應(yīng)用研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

3 徐雪;樣本的幾何信息在半監(jiān)督學(xué)習(xí)中的應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

4 孔怡青;半監(jiān)督學(xué)習(xí)及其應(yīng)用研究[D];江南大學(xué);2009年

5 蘭遠(yuǎn)東;基于圖的半監(jiān)督學(xué)習(xí)理論、算法及應(yīng)用研究[D];華南理工大學(xué);2012年

6 唐曉亮;基于神經(jīng)網(wǎng)絡(luò)的半監(jiān)督學(xué)習(xí)方法研究[D];大連理工大學(xué);2009年

7 余國(guó)先;高維數(shù)據(jù)上的半監(jiān)督學(xué)習(xí)研究[D];華南理工大學(xué);2013年

8 潘俊;基于圖的半監(jiān)督學(xué)習(xí)及其應(yīng)用研究[D];浙江大學(xué);2011年

9 王嬌;多視圖的半監(jiān)督學(xué)習(xí)研究[D];北京交通大學(xué);2010年

10 桂杰;基于圖的半監(jiān)督學(xué)習(xí)和維數(shù)約簡(jiǎn)方法及其應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 李南;基于屬性偏序結(jié)構(gòu)理論的半監(jiān)督學(xué)習(xí)方法研究[D];燕山大學(xué);2015年

2 路同強(qiáng);基于半監(jiān)督學(xué)習(xí)的微博謠言檢測(cè)研究[D];山東大學(xué);2015年

3 杜俊;半監(jiān)督學(xué)習(xí)及其在社交媒體分析中的應(yīng)用[D];華北電力大學(xué);2015年

4 王俊超;在線半監(jiān)督學(xué)習(xí)尺度自適應(yīng)魯棒目標(biāo)跟蹤[D];湘潭大學(xué);2015年

5 薛巍;基于半監(jiān)督學(xué)習(xí)的人臉特征抽取方法研究[D];揚(yáng)州大學(xué);2015年

6 黃f^;網(wǎng)站的可信度分析[D];福州大學(xué);2013年

7 劉偉濤;半監(jiān)督學(xué)習(xí)方法及應(yīng)用研究[D];山東大學(xué);2011年

8 陳新勇;基于核策略的半監(jiān)督學(xué)習(xí)方法研究[D];河北大學(xué);2010年

9 馮元佶;基于圖的半監(jiān)督學(xué)習(xí)的改進(jìn)研究[D];湘潭大學(xué);2010年

10 黃明明;半監(jiān)督學(xué)習(xí)方法研究及在警用平臺(tái)中的應(yīng)用[D];大連理工大學(xué);2010年

，

本文編號(hào)：2220894