本文關(guān)鍵詞：圖像搜索重排序算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著存儲(chǔ)設(shè)備、網(wǎng)絡(luò)以及壓縮技術(shù)的快速發(fā)展,網(wǎng)絡(luò)上可利用的多媒體資源增長(zhǎng)迅速。如何快速有效的檢索圖像數(shù)據(jù)吸引了越來(lái)越多的研究者的關(guān)注。借助文本檢索的成熟發(fā)展,大多數(shù)的搜索引擎都采用基于關(guān)鍵詞的策略來(lái)進(jìn)行圖像檢索。然而由于文本信息所包含的大量噪音以及其描述內(nèi)容與圖像視覺內(nèi)容的不匹配等,使得基于關(guān)鍵詞的檢索結(jié)果不能令人滿意。因此,圖像重排序方法被提出。重排序指的是借助圖像的視覺特征等訓(xùn)練新的模型對(duì)基于文本信息檢索得到的初始排序結(jié)果進(jìn)行重新排序,使符合用戶搜索需求的結(jié)果排序位置靠前。 重排序主要是指相關(guān)性重排序,即檢索結(jié)果是根據(jù)與查詢?cè)~間的相關(guān)性按分值從高到低排序的。根據(jù)算法使用框架的不同,重排序算法可以分為基于線性組合、基于聚類、基于分類、基于圖模型等多種。算法中使用的特征也有很多種,可以分為單模態(tài)和多模態(tài)的,也可以分為文本特征和視覺特征等。由于單模態(tài)特征的描述能力有限,多數(shù)算法都采用多模態(tài)特征。由于低層特征與高層語(yǔ)義間的語(yǔ)義鴻溝,用視覺特征改善基于文本特征的檢索結(jié)果是一種合理的做法,所以多數(shù)算法都采用了視覺特征。重排序算法中,多模態(tài)特征間通常是獨(dú)立的。由于特征是對(duì)圖像語(yǔ)義的一種描述,不同模態(tài)特征從不同角度描述了圖像的內(nèi)容,因此各模態(tài)特征間不是獨(dú)立的�；谏鲜鰧�(duì)特征的考慮,本文在圖像重排序方面做了兩方面工作,分別介紹如下： 1.非對(duì)稱聯(lián)合重排序。算法考慮多模態(tài)特征之間的聯(lián)系,利用圖模型構(gòu)造了一個(gè)相似性矩陣解決圖像重排序問題。其中相似性矩陣在構(gòu)造過(guò)程中包括3種相似性：不同圖像相同模態(tài)特征間的相似性、同一圖像內(nèi)不同模態(tài)特征間的相似性、不同圖像不同模態(tài)特征間的相似性。這種矩陣構(gòu)造方式有效的模擬了圖像之間的關(guān)系。 2.基于K近鄰聯(lián)合重排序。非對(duì)稱聯(lián)合重排序算法僅使用了一種視覺特征描述圖像,不能全面表達(dá)圖像的內(nèi)容,同時(shí)考慮到圖像數(shù)量增加后帶來(lái)的計(jì)算資源消耗問題�；贙近鄰聯(lián)合重排序算法算法增加了3種視覺特征并利用K近鄰算法改進(jìn)相似性矩陣過(guò)程。有效解決了非對(duì)稱聯(lián)合重排序中存在的兩個(gè)問題。 本文在數(shù)據(jù)集上與幾種經(jīng)典重排序算法對(duì)比實(shí)驗(yàn),驗(yàn)證了2種算法的有效性。
【關(guān)鍵詞】：圖像重排序 多模態(tài)融合 圖片搜索 隨機(jī)游走 圖模型
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TP391.41
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第1章 緒論12-16
• 1.1 背景12-13
• 1.2 本文工作介紹13-15
• 1.3 本文結(jié)構(gòu)15-16
• 第2章 相關(guān)工作16-23
• 2.1 重排序中框架類型16-19
• 2.1.1 基于線性組合的檢索重排序16-17
• 2.1.2 基于分類的檢索重排序17-18
• 2.1.3 基于聚類的檢索重排序18
• 2.1.4 基于圖模型的檢索重排序18-19
• 2.2 重排序中特征類型19-21
• 2.2.1 特征類型19-20
• 2.2.2 特征維度20-21
• 2.3 評(píng)價(jià)準(zhǔn)則21-23
• 第3章 非對(duì)稱聯(lián)合重排序算法23-38
• 3.1 概述23-24
• 3.2 算法24-29
• 3.2.1 Joint-Rerank框架介紹24-28
• 3.2.2 Asym-Joint-Rerank算法28-29
• 3.3 實(shí)驗(yàn)29-37
• 3.3.1 實(shí)驗(yàn)設(shè)置29-30
• 3.3.2 實(shí)驗(yàn)結(jié)果30-37
• 3.4 本章小結(jié)37-38
• 第4章 基于K近鄰聯(lián)合重排序算法38-49
• 4.1 概述38-39
• 4.2 算法39-43
• 4.2.1 算法中使用的特征39-41
• 4.2.2 相似性矩陣41-43
• 4.3 實(shí)驗(yàn)43-47
• 4.3.1 實(shí)驗(yàn)設(shè)置43
• 4.3.2 實(shí)驗(yàn)結(jié)果43-47
• 4.4 本章小結(jié)47-49
• 第5章 總結(jié)與展望49-51
• 參考文獻(xiàn)51-55
• 致謝55-56
• 攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文56-57
• 學(xué)位論文評(píng)閩及答辯情況表57

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 張素蘭;郭平;張繼福;胡立華;;圖像語(yǔ)義自動(dòng)標(biāo)注及其粒度分析方法[J];自動(dòng)化學(xué)報(bào);2012年05期

2 梁鵬;黎紹發(fā);覃姜維;羅劍高;;基于半監(jiān)督學(xué)習(xí)的增量圖像分類方法[J];模式識(shí)別與人工智能;2012年01期

3 丁軼;郭喬進(jìn);李寧;;一種新的目標(biāo)檢測(cè)方法:Latent Dirichlet classification[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

4 曹健;陳紅倩;毛典輝;李海生;蔡強(qiáng);;基于局部特征的圖像目標(biāo)識(shí)別問題綜述[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S2期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 張磊;基于機(jī)器學(xué)習(xí)的圖像檢索若干問題研究[D];山東大學(xué);2011年

2 黃雙萍;通用視覺目標(biāo)識(shí)別的關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2011年

3 解曉萌;復(fù)雜背景下運(yùn)動(dòng)目標(biāo)檢測(cè)和識(shí)別關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2012年

4 尹詩(shī)白;基于模糊集合理論的顆粒目標(biāo)分割和識(shí)別[D];長(zhǎng)安大學(xué);2013年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 高永強(qiáng);非類別限定的物體識(shí)別學(xué)習(xí)模型構(gòu)建[D];南華大學(xué);2012年

2 李丕績(jī);WEB圖像排序與互摘要[D];山東大學(xué);2012年

3 楊婧;基于概念圖的可視屬性語(yǔ)義網(wǎng)構(gòu)建的研究[D];西北大學(xué);2013年

4 李陽(yáng);基于融合空間信息LDA的視覺對(duì)象識(shí)別研究[D];哈爾濱工業(yè)大學(xué);2013年

5 張會(huì);基于視覺顯著性的目標(biāo)識(shí)別[D];杭州電子科技大學(xué);2014年

  本文關(guān)鍵詞：圖像搜索重排序算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：308257