隨著互聯(lián)網(wǎng)技術和智能拍照電子設備的普及,人類生活中所接觸到的圖像信息日益膨脹。為了有效的管理圖像資源,該文提出了一套針對多語義復雜圖像的分類及檢索系統(tǒng),其中包括基于判別模型的多語義圖像標注、基于語義傳播的多語義圖像標注、多語義層級分類和多語義圖像檢索四個主要研究問題。從判別模型的思想出發(fā),該文提出了基于語義遷移和融合神經(jīng)網(wǎng)絡的圖像標注算法。算法中設計了圖像多尺度語義融合神經(jīng)網(wǎng)絡和基于語義線性擬合的語義遷移神經(jīng)網(wǎng)絡。在語義融合網(wǎng)絡中該文設計了基于頻繁概念格的模式挖掘算法,可以將同語義下的多尺度圖像塊聚類并得到融合特征,解決了判別模型中語義多尺度問題。語義遷移網(wǎng)絡受人類認知的啟發(fā),可以從已知語義中學習到未知語義訓練判別模型,用以解決語義局限性問題。在基于語義傳播的圖像標注方向,該文從保證語義傳播的準確性和完整性兩個研究目的出發(fā),設計了基于加權語義鄰近集的圖像標注算法。該文提出的圖像標注算法通過對訓練集中語義重要程度劃分構建加權語義鄰近集,保證了標注語義的全面性。最后,通過設計語義詞頻自適應閾值函數(shù),保證了傳遞語義標簽的準確性。該文結合圖像標注得到的語義信息設計了基于偏序結構的多語義層級分類... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

圖2-1分別選用小、中、大的k值進行k-最近鄰分類

圖 2-2 CNN 特征提取結構.2 多語義層級分類圖像分類是計算機視覺中最為基本也是最為重要的研究領域之一。然而在研類問題時人們主要研究精力都針對于在單語義數(shù)據(jù)集上確保語義的區(qū)分性，ifar-10[47]、imageNet 數(shù)據(jù)集等。經(jīng)過長期的發(fā)展，圖像分類問題在單語義圖像上取得非常好的成果，如 ResNet 網(wǎng)絡[48]在 imageNet 數(shù)據(jù)集上的識別錯誤率已經(jīng)到了 3.57%。但在現(xiàn)實生活中人們接觸到的圖像并非均為單語義圖像，這時候急種算法能夠實現(xiàn)對這些復雜的多語義圖像進行自動分類。這種自動分類算法除求能夠對圖像中的語義進行準確識別外，更需要一種完全不同于單語義圖像分分類方式。.2.1 形式概念分析

判別模型的圖像標注的基本思想是，使用目標建議算法對多語義圖像，然后利用分類網(wǎng)絡對多語義圖像的局部區(qū)域進行語義判別。該文使算法對多語義圖像進行局部劃分如圖 3-1 所示。其中圖 3-1 a)為多語義 3-1 b)為選擇性搜索算法得到的局部區(qū)域劃分。首先，去掉一些長寬比過大或過小的一些局部劃分，如圖 3-1 b)中的紅色圖像塊。在圖 3-1 b)的圖像塊(綠色的圖像塊)在多語義圖像分類算法中最為重要，它們的語往具有最高的準確性。但從圖 3-1 b)中可以看到，在選擇性搜索算法得區(qū)域集合中，完整的語義目標圖像塊僅僅占據(jù)很小的一部分，其中大為部分語義圖像塊(藍色的圖像塊)。從眾多部分語義圖像塊中篩選出完不僅僅具有很大的難度并且需要龐大的計算量。該文設計的基于融合注算法，通過挖掘語義頻繁模式可以將相同語義的圖像塊聚集成一個利用該文設計的融合網(wǎng)絡可以將語義簇中的多個圖像塊進行特征融合合特征。最后利用融合特征訓練分類網(wǎng)絡，并對多語義圖像的圖像簇判別，將有效的避免選擇性搜索算法得到局部語義圖像塊在判別時的干

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡的多標簽圖像自動標注[J]. 黎健成,袁春,宋友.  計算機科學. 2016(07)
[2]基于區(qū)域上下文感知的圖像標注[J]. 邱澤宇,方全,桑基韜,徐常勝.  計算機學報. 2014(06)



本文編號：2962193