隨著計算機視覺與人工智能的快速發(fā)展,數字多媒體的日益普及,人們對生活追求的不斷提升,帶來了數據的海量激增,但現存數據的質量良莠不齊,通過對有趣性的研究與預測,能夠幫助人們高效地完成相關信息的檢索,對于廣告推廣、視頻摘要與點播等方面具有積極的作用。本文基于機器學習方法,從圖像與視頻有趣性的二分類預測角度出發(fā),構建了相應的預測模型,使得計算機能夠模仿人類的感知方式,自動地完成圖像和視頻的有趣性二分類任務。對于圖像有趣性二分類任務,為了能夠描述有趣性這個概念,使其轉化為可計算的問題,本文構建了一個圖像有趣性預測框架。該框架首先確定了不尋常、美學和一般偏好三個描述有趣性的重要線索,每個線索由不同類型的特征構成,其中不尋常由離群系數和熟悉度構成,美學由激勵、紋理、顏色、復雜度和形狀特征構成,一般偏好由局部特征和場景描述符構成;其次,使用判別相關分析或多集判別相關分析對同類型特征進行融合;最后,采用簡單多核學習方法對圖像有趣性進行分類。實驗結果表明本文構建的有趣性預測框架,能夠較全面地捕獲圖像的有趣性信息,取得較高地分類準確率,具有良好的預測性能。對于視頻有趣性二分類任務,為了解決靜態(tài)特征忽略視頻... 

【文章來源】：西安理工大學陜西省

【文章頁數】：67 頁

【學位級別】：碩士

【部分圖文】：

彩色圖像與對應的顯著圖

要包括三部分：首先，基于訓練數據提取對應特征；接著的不同參數設置，將不同特征映射至特征空間，對所用基成核；最后，基于合成核對測試數據進行分類或回歸。本圖 2-2 多核學習示意圖Fig.2-2 The illustration of multiple kernel learning

標數據，采用不同學習方法或者不同參數設置的同一種方法指標定量地給出學習方法或參數設置的好壞，進而對該圖 2-3 集成學習示意圖Fig.2-3 The illustration of ensemble learning


本文編號：3379930