计算机研究与发展
計算機研究與髮展
계산궤연구여발전
JOURNAL OF COMPUTER RESEARCH AND DEVELOPMENT
2014年
8期
1821-1832
,共12页
图像标注%自动标注%弱标签%语义邻域%邻域学习
圖像標註%自動標註%弱標籤%語義鄰域%鄰域學習
도상표주%자동표주%약표첨%어의린역%린역학습
image annotation%automatic annotation%weak label%semantic neighborhood%neighborhood learning
图像语义自动标注是实现图像语义检索与管理的关键,是具有挑战性的研究课题.传统的图像标注方法需要具有完整、准确标签的数据集才能取得较好的标注性能.然而,在现实应用中获得数据的标签往往是不准确、不完整的,并且标签分布不均衡.对于Web图像和社会化图像尤其如此.为了更好地利用这些弱标签样本,提出了一种基于语义邻域学习的图像自动标注方法(semantic neighborhood learning from weakly labeled image,SNLWL).首先在邻域标签损失误差最小化意义下,填充训练集样本标签.通过递进式的邻域选择过程,保证建立的语义一致邻域内样本具有全局相似性、部分相关性和语义一致性,并且语义标签分布平衡.在邻域标签重构误差最小化意义下进行标签预测,降低噪声标签对性能的影响.多个数据集上的实验结果表明,与已知的具有较好标注效果的方法相比,此方法更适用于处理弱标签数据集,标准评测集上的测试也表明了此方法的有效性.
圖像語義自動標註是實現圖像語義檢索與管理的關鍵,是具有挑戰性的研究課題.傳統的圖像標註方法需要具有完整、準確標籤的數據集纔能取得較好的標註性能.然而,在現實應用中穫得數據的標籤往往是不準確、不完整的,併且標籤分佈不均衡.對于Web圖像和社會化圖像尤其如此.為瞭更好地利用這些弱標籤樣本,提齣瞭一種基于語義鄰域學習的圖像自動標註方法(semantic neighborhood learning from weakly labeled image,SNLWL).首先在鄰域標籤損失誤差最小化意義下,填充訓練集樣本標籤.通過遞進式的鄰域選擇過程,保證建立的語義一緻鄰域內樣本具有全跼相似性、部分相關性和語義一緻性,併且語義標籤分佈平衡.在鄰域標籤重構誤差最小化意義下進行標籤預測,降低譟聲標籤對性能的影響.多箇數據集上的實驗結果錶明,與已知的具有較好標註效果的方法相比,此方法更適用于處理弱標籤數據集,標準評測集上的測試也錶明瞭此方法的有效性.
도상어의자동표주시실현도상어의검색여관리적관건,시구유도전성적연구과제.전통적도상표주방법수요구유완정、준학표첨적수거집재능취득교호적표주성능.연이,재현실응용중획득수거적표첨왕왕시불준학、불완정적,병차표첨분포불균형.대우Web도상화사회화도상우기여차.위료경호지이용저사약표첨양본,제출료일충기우어의린역학습적도상자동표주방법(semantic neighborhood learning from weakly labeled image,SNLWL).수선재린역표첨손실오차최소화의의하,전충훈련집양본표첨.통과체진식적린역선택과정,보증건립적어의일치린역내양본구유전국상사성、부분상관성화어의일치성,병차어의표첨분포평형.재린역표첨중구오차최소화의의하진행표첨예측,강저조성표첨대성능적영향.다개수거집상적실험결과표명,여이지적구유교호표주효과적방법상비,차방법경괄용우처리약표첨수거집,표준평측집상적측시야표명료차방법적유효성.
