隨著計(jì)算機(jī)視覺與人工智能的快速發(fā)展,數(shù)字多媒體的日益普及,人們對(duì)生活追求的不斷提升,帶來(lái)了數(shù)據(jù)的海量激增,但現(xiàn)存數(shù)據(jù)的質(zhì)量良莠不齊,通過(guò)對(duì)有趣性的研究與預(yù)測(cè),能夠幫助人們高效地完成相關(guān)信息的檢索,對(duì)于廣告推廣、視頻摘要與點(diǎn)播等方面具有積極的作用。本文基于機(jī)器學(xué)習(xí)方法,從圖像與視頻有趣性的二分類預(yù)測(cè)角度出發(fā),構(gòu)建了相應(yīng)的預(yù)測(cè)模型,使得計(jì)算機(jī)能夠模仿人類的感知方式,自動(dòng)地完成圖像和視頻的有趣性二分類任務(wù)。對(duì)于圖像有趣性二分類任務(wù),為了能夠描述有趣性這個(gè)概念,使其轉(zhuǎn)化為可計(jì)算的問(wèn)題,本文構(gòu)建了一個(gè)圖像有趣性預(yù)測(cè)框架。該框架首先確定了不尋常、美學(xué)和一般偏好三個(gè)描述有趣性的重要線索,每個(gè)線索由不同類型的特征構(gòu)成,其中不尋常由離群系數(shù)和熟悉度構(gòu)成,美學(xué)由激勵(lì)、紋理、顏色、復(fù)雜度和形狀特征構(gòu)成,一般偏好由局部特征和場(chǎng)景描述符構(gòu)成;其次,使用判別相關(guān)分析或多集判別相關(guān)分析對(duì)同類型特征進(jìn)行融合;最后,采用簡(jiǎn)單多核學(xué)習(xí)方法對(duì)圖像有趣性進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明本文構(gòu)建的有趣性預(yù)測(cè)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(zhǔn)確率,具有良好的預(yù)測(cè)性能。對(duì)于視頻有趣性二分類任務(wù),為了解決靜態(tài)特征忽略視頻... 

【文章來(lái)源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

彩色圖像與對(duì)應(yīng)的顯著圖

要包括三部分：首先，基于訓(xùn)練數(shù)據(jù)提取對(duì)應(yīng)特征；接著的不同參數(shù)設(shè)置，將不同特征映射至特征空間，對(duì)所用基成核；最后，基于合成核對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類或回歸。本圖 2-2 多核學(xué)習(xí)示意圖Fig.2-2 The illustration of multiple kernel learning

標(biāo)數(shù)據(jù)，采用不同學(xué)習(xí)方法或者不同參數(shù)設(shè)置的同一種方法指標(biāo)定量地給出學(xué)習(xí)方法或參數(shù)設(shè)置的好壞，進(jìn)而對(duì)該圖 2-3 集成學(xué)習(xí)示意圖Fig.2-3 The illustration of ensemble learning


本文編號(hào)：3379930