基于主题模型的图像标注方法研究与应用
发布时间：2021-03-01 00:36
由于大数据技术的高速发展,网络中的无标签图像展现出巨大的商业价值,如何快速筛选并使用这些无标签图像数据成为一个极具研究价值的问题。图像检索可以高效检索出需要的图像,而其在无标签图像数据的检索效果依赖于图像标注方法。在图像标注领域,由于图像的视觉内容和文本语义之间存在极大的差异,提出优秀的图像标注算法或改进现有图像标注模型依旧是一个十分具有挑战性的工作。本文围绕图像标注模型的改进、深度学习如何与传统图像标注模型结合展开研究,主要工作内容如下:（1）提出了基于主题融合和关联规则挖掘的图像标注方法,此方法是对基于LDA主题模型的图像标注方法的改进。LDA主题模型将图像视觉模态和文本模态的数据视为相互独立,并在此基础上生成对应模态的主题分布,因此图像不同模态的主题相互独立。为了增强图像视觉数据和文本数据的联系,在模型训练和图像标注阶段均进行不同模态的加权主题融合。基于LDA主题模型的图像标注以及其模型改进都没有考虑图像文本信息之间的关联对图像标注的影响,因此可利用图像文本信息的关联对主题模型的标注结果进行改善。利用改进的LDA图像标注方法获得初始标注词集,然后采用关联规则挖掘算法对初始标注词集...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 判别式图像标注模型
1.2.2 生成式图像标注模型
1.2.3 基于深度学习的图像标注模型
1.3 论文的主要工作
1.4 论文的结构安排
第二章 图像标注的相关知识
2.1 引言
2.2 视觉特征表达
2.2.1 颜色特征
2.2.2 纹理特征
2.2.3 形状特征
2.2.4 局部特征
2.3 BOW模型
2.4 SVM分类算法
2.4.1 线性可分支持向量机
2.4.2 拉格朗日对偶问题
2.4.3 核函数
2.5 基于卷积神经网络的特征学习
2.6 本章小结
第三章 基于主题融合和关联规则挖掘的图像标注
3.1 引言
3.2 LDA模型
3.2.1 LDA模型介绍
3.2.2 参数求解
3.2.3 图像标注
3.3 图像语义标注建模与实现
3.3.1 改进的加权主题融合
3.3.2 关联规则挖掘算法和词间相关性
3.3.3 算法描述
3.4 实验结果与分析
3.4.1 实验数据集
3.4.2 图像表示
3.4.3 性能评价指标
3.4.4 实验参数设置
3.4.5 标注结果比较
3.4.6 时间复杂度分析
3.5 本章小结
第四章 融合卷积神经网络和主题模型的图像标注
4.1 引言
4.2 卷积神经网络
4.2.1 基于迁移学习的卷积神经网络
4.2.2 基于多标签分类的损失函数
4.3 融合卷积神经网络和主题模型的图像标注
4.4 实验结果与分析
4.4.1 实验数据集
4.4.2 实验参数设置
4.4.3 性能评价指标
4.4.4 标注结果比较
4.5 本章小结
第五章 基于文本的图像检索系统
5.1 引言
5.2 图像检索系统概述
5.2.1 开发环境
5.2.2 系统框架
5.3 数据库表设计
5.4 用户界面设计
5.5 实验结果
5.6 本章小结
第六章 总结与展望
6.1 论文总结
6.2 工作展望
致谢
参考文献
附录：作者在攻读硕士学位期间发表的论文
【参考文献】：
期刊论文
[1]基于迁移学习与多标签平滑策略的图像自动标注[J]. 汪鹏,张奥帆,王利琴,董永峰. 计算机应用. 2018(11)
[2]结合深度特征与多标记分类的图像语义标注[J]. 李志欣,郑永哲,张灿龙,史忠植. 计算机辅助设计与图形学学报. 2018(02)
[3]融合PLSA和随机游走模型的自动图像标注[J]. 田东平. 小型微型计算机系统. 2017(08)
[4]基于多特征融合与PLSA-GMM的图像自动标注[J]. 孙君顶,李海华,靳姣林,张毅. 测控技术. 2017(04)
[5]基于视觉语义主题与反馈日志的图像自动标注[J]. 孙君顶,李海华,靳姣林. 光电子·激光. 2017(04)
[6]基于标注词语义与图像视觉的标签丰富算法[J]. 孙登第,葛美玲,丁转莲,罗斌. 小型微型计算机系统. 2017(04)
[7]改进Corr-LDA的图像标注概率主题模型[J]. 曹洁,罗菊香,李晓旭. 小型微型计算机系统. 2017(03)
[8]基于多标签学习的卷积神经网络的图像标注方法[J]. 高耀东,侯凌燕,杨大利. 计算机应用. 2017(01)
[9]基于视觉语义主题的图像自动标注[J]. 孙君顶,李海华,靳姣林. 测控技术. 2016(12)
[10]融入类别信息的图像标注概率主题模型[J]. 曹洁,罗菊香,李晓旭. 计算机工程与应用. 2017(10)
博士论文
[1]基于图像局部特征的康复机器人目标识别方法研究[D]. 聂海涛.中国科学院研究生院(长春光学精密机械与物理研究所) 2015
本文编号：3056686
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 判别式图像标注模型
1.2.2 生成式图像标注模型
1.2.3 基于深度学习的图像标注模型
1.3 论文的主要工作
1.4 论文的结构安排
第二章 图像标注的相关知识
2.1 引言
2.2 视觉特征表达
2.2.1 颜色特征
2.2.2 纹理特征
2.2.3 形状特征
2.2.4 局部特征
2.3 BOW模型
2.4 SVM分类算法
2.4.1 线性可分支持向量机
2.4.2 拉格朗日对偶问题
2.4.3 核函数
2.5 基于卷积神经网络的特征学习
2.6 本章小结
第三章 基于主题融合和关联规则挖掘的图像标注
3.1 引言
3.2 LDA模型
3.2.1 LDA模型介绍
3.2.2 参数求解
3.2.3 图像标注
3.3 图像语义标注建模与实现
3.3.1 改进的加权主题融合
3.3.2 关联规则挖掘算法和词间相关性
3.3.3 算法描述
3.4 实验结果与分析
3.4.1 实验数据集
3.4.2 图像表示
3.4.3 性能评价指标
3.4.4 实验参数设置
3.4.5 标注结果比较
3.4.6 时间复杂度分析
3.5 本章小结
第四章 融合卷积神经网络和主题模型的图像标注
4.1 引言
4.2 卷积神经网络
4.2.1 基于迁移学习的卷积神经网络
4.2.2 基于多标签分类的损失函数
4.3 融合卷积神经网络和主题模型的图像标注
4.4 实验结果与分析
4.4.1 实验数据集
4.4.2 实验参数设置
4.4.3 性能评价指标
4.4.4 标注结果比较
4.5 本章小结
第五章 基于文本的图像检索系统
5.1 引言
5.2 图像检索系统概述
5.2.1 开发环境
5.2.2 系统框架
5.3 数据库表设计
5.4 用户界面设计
5.5 实验结果
5.6 本章小结
第六章 总结与展望
6.1 论文总结
6.2 工作展望
致谢
参考文献
附录：作者在攻读硕士学位期间发表的论文
【参考文献】：
期刊论文
[1]基于迁移学习与多标签平滑策略的图像自动标注[J]. 汪鹏,张奥帆,王利琴,董永峰. 计算机应用. 2018(11)
[2]结合深度特征与多标记分类的图像语义标注[J]. 李志欣,郑永哲,张灿龙,史忠植. 计算机辅助设计与图形学学报. 2018(02)
[3]融合PLSA和随机游走模型的自动图像标注[J]. 田东平. 小型微型计算机系统. 2017(08)
[4]基于多特征融合与PLSA-GMM的图像自动标注[J]. 孙君顶,李海华,靳姣林,张毅. 测控技术. 2017(04)
[5]基于视觉语义主题与反馈日志的图像自动标注[J]. 孙君顶,李海华,靳姣林. 光电子·激光. 2017(04)
[6]基于标注词语义与图像视觉的标签丰富算法[J]. 孙登第,葛美玲,丁转莲,罗斌. 小型微型计算机系统. 2017(04)
[7]改进Corr-LDA的图像标注概率主题模型[J]. 曹洁,罗菊香,李晓旭. 小型微型计算机系统. 2017(03)
[8]基于多标签学习的卷积神经网络的图像标注方法[J]. 高耀东,侯凌燕,杨大利. 计算机应用. 2017(01)
[9]基于视觉语义主题的图像自动标注[J]. 孙君顶,李海华,靳姣林. 测控技术. 2016(12)
[10]融入类别信息的图像标注概率主题模型[J]. 曹洁,罗菊香,李晓旭. 计算机工程与应用. 2017(10)
博士论文
[1]基于图像局部特征的康复机器人目标识别方法研究[D]. 聂海涛.中国科学院研究生院(长春光学精密机械与物理研究所) 2015
本文编号：3056686
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3056686.html
