由于大數(shù)據(jù)技術(shù)的高速發(fā)展,網(wǎng)絡(luò)中的無標(biāo)簽圖像展現(xiàn)出巨大的商業(yè)價值,如何快速篩選并使用這些無標(biāo)簽圖像數(shù)據(jù)成為一個極具研究價值的問題。圖像檢索可以高效檢索出需要的圖像,而其在無標(biāo)簽圖像數(shù)據(jù)的檢索效果依賴于圖像標(biāo)注方法。在圖像標(biāo)注領(lǐng)域,由于圖像的視覺內(nèi)容和文本語義之間存在極大的差異,提出優(yōu)秀的圖像標(biāo)注算法或改進現(xiàn)有圖像標(biāo)注模型依舊是一個十分具有挑戰(zhàn)性的工作。本文圍繞圖像標(biāo)注模型的改進、深度學(xué)習(xí)如何與傳統(tǒng)圖像標(biāo)注模型結(jié)合展開研究,主要工作內(nèi)容如下:（1）提出了基于主題融合和關(guān)聯(lián)規(guī)則挖掘的圖像標(biāo)注方法,此方法是對基于LDA主題模型的圖像標(biāo)注方法的改進。LDA主題模型將圖像視覺模態(tài)和文本模態(tài)的數(shù)據(jù)視為相互獨立,并在此基礎(chǔ)上生成對應(yīng)模態(tài)的主題分布,因此圖像不同模態(tài)的主題相互獨立。為了增強圖像視覺數(shù)據(jù)和文本數(shù)據(jù)的聯(lián)系,在模型訓(xùn)練和圖像標(biāo)注階段均進行不同模態(tài)的加權(quán)主題融合�；贚DA主題模型的圖像標(biāo)注以及其模型改進都沒有考慮圖像文本信息之間的關(guān)聯(lián)對圖像標(biāo)注的影響,因此可利用圖像文本信息的關(guān)聯(lián)對主題模型的標(biāo)注結(jié)果進行改善。利用改進的LDA圖像標(biāo)注方法獲得初始標(biāo)注詞集,然后采用關(guān)聯(lián)規(guī)則挖掘算法對初始標(biāo)注詞集... 

【文章來源】：江南大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 判別式圖像標(biāo)注模型
        1.2.2 生成式圖像標(biāo)注模型
        1.2.3 基于深度學(xué)習(xí)的圖像標(biāo)注模型
    1.3 論文的主要工作
    1.4 論文的結(jié)構(gòu)安排
第二章 圖像標(biāo)注的相關(guān)知識
    2.1 引言
    2.2 視覺特征表達
        2.2.1 顏色特征
        2.2.2 紋理特征
        2.2.3 形狀特征
        2.2.4 局部特征
    2.3 BOW模型
    2.4 SVM分類算法
        2.4.1 線性可分支持向量機
        2.4.2 拉格朗日對偶問題
        2.4.3 核函數(shù)
    2.5 基于卷積神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)
    2.6 本章小結(jié)
第三章 基于主題融合和關(guān)聯(lián)規(guī)則挖掘的圖像標(biāo)注
    3.1 引言
    3.2 LDA模型
        3.2.1 LDA模型介紹
        3.2.2 參數(shù)求解
        3.2.3 圖像標(biāo)注
    3.3 圖像語義標(biāo)注建模與實現(xiàn)
        3.3.1 改進的加權(quán)主題融合
        3.3.2 關(guān)聯(lián)規(guī)則挖掘算法和詞間相關(guān)性
        3.3.3 算法描述
    3.4 實驗結(jié)果與分析
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 圖像表示
        3.4.3 性能評價指標(biāo)
        3.4.4 實驗參數(shù)設(shè)置
        3.4.5 標(biāo)注結(jié)果比較
        3.4.6 時間復(fù)雜度分析
    3.5 本章小結(jié)
第四章 融合卷積神經(jīng)網(wǎng)絡(luò)和主題模型的圖像標(biāo)注
    4.1 引言
    4.2 卷積神經(jīng)網(wǎng)絡(luò)
        4.2.1 基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)
        4.2.2 基于多標(biāo)簽分類的損失函數(shù)
    4.3 融合卷積神經(jīng)網(wǎng)絡(luò)和主題模型的圖像標(biāo)注
    4.4 實驗結(jié)果與分析
        4.4.1 實驗數(shù)據(jù)集
        4.4.2 實驗參數(shù)設(shè)置
        4.4.3 性能評價指標(biāo)
        4.4.4 標(biāo)注結(jié)果比較
    4.5 本章小結(jié)
第五章 基于文本的圖像檢索系統(tǒng)
    5.1 引言
    5.2 圖像檢索系統(tǒng)概述
        5.2.1 開發(fā)環(huán)境
        5.2.2 系統(tǒng)框架
    5.3 數(shù)據(jù)庫表設(shè)計
    5.4 用戶界面設(shè)計
    5.5 實驗結(jié)果
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 工作展望
致謝
參考文獻
附錄：作者在攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻】：
期刊論文
[1]基于遷移學(xué)習(xí)與多標(biāo)簽平滑策略的圖像自動標(biāo)注[J]. 汪鵬,張奧帆,王利琴,董永峰.  計算機應(yīng)用. 2018(11)
[2]結(jié)合深度特征與多標(biāo)記分類的圖像語義標(biāo)注[J]. 李志欣,鄭永哲,張燦龍,史忠植.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2018(02)
[3]融合PLSA和隨機游走模型的自動圖像標(biāo)注[J]. 田東平.  小型微型計算機系統(tǒng). 2017(08)
[4]基于多特征融合與PLSA-GMM的圖像自動標(biāo)注[J]. 孫君頂,李海華,靳姣林,張毅.  測控技術(shù). 2017(04)
[5]基于視覺語義主題與反饋日志的圖像自動標(biāo)注[J]. 孫君頂,李海華,靳姣林.  光電子·激光. 2017(04)
[6]基于標(biāo)注詞語義與圖像視覺的標(biāo)簽豐富算法[J]. 孫登第,葛美玲,丁轉(zhuǎn)蓮,羅斌.  小型微型計算機系統(tǒng). 2017(04)
[7]改進Corr-LDA的圖像標(biāo)注概率主題模型[J]. 曹潔,羅菊香,李曉旭.  小型微型計算機系統(tǒng). 2017(03)
[8]基于多標(biāo)簽學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)的圖像標(biāo)注方法[J]. 高耀東,侯凌燕,楊大利.  計算機應(yīng)用. 2017(01)
[9]基于視覺語義主題的圖像自動標(biāo)注[J]. 孫君頂,李海華,靳姣林.  測控技術(shù). 2016(12)
[10]融入類別信息的圖像標(biāo)注概率主題模型[J]. 曹潔,羅菊香,李曉旭.  計算機工程與應(yīng)用. 2017(10)

博士論文
[1]基于圖像局部特征的康復(fù)機器人目標(biāo)識別方法研究[D]. 聶海濤.中國科學(xué)院研究生院(長春光學(xué)精密機械與物理研究所) 2015



本文編號：3056686