基于形式概念分析的图像语义层级分类及检索

发布时间：2021-01-07 07:50

　　随着互联网技术和智能拍照电子设备的普及,人类生活中所接触到的图像信息日益膨胀。为了有效的管理图像资源,该文提出了一套针对多语义复杂图像的分类及检索系统,其中包括基于判别模型的多语义图像标注、基于语义传播的多语义图像标注、多语义层级分类和多语义图像检索四个主要研究问题。从判别模型的思想出发,该文提出了基于语义迁移和融合神经网络的图像标注算法。算法中设计了图像多尺度语义融合神经网络和基于语义线性拟合的语义迁移神经网络。在语义融合网络中该文设计了基于频繁概念格的模式挖掘算法,可以将同语义下的多尺度图像块聚类并得到融合特征,解决了判别模型中语义多尺度问题。语义迁移网络受人类认知的启发,可以从已知语义中学习到未知语义训练判别模型,用以解决语义局限性问题。在基于语义传播的图像标注方向,该文从保证语义传播的准确性和完整性两个研究目的出发,设计了基于加权语义邻近集的图像标注算法。该文提出的图像标注算法通过对训练集中语义重要程度划分构建加权语义邻近集,保证了标注语义的全面性。最后,通过设计语义词频自适应阈值函数,保证了传递语义标签的准确性。该文结合图像标注得到的语义信息设计了基于偏序结构的多语义层级分类... 

【文章来源】：燕山大学河北省

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图2-1分别选用小、中、大的k值进行k-最近邻分类

图 2-2 CNN 特征提取结构.2 多语义层级分类图像分类是计算机视觉中最为基本也是最为重要的研究领域之一。然而在研类问题时人们主要研究精力都针对于在单语义数据集上确保语义的区分性，ifar-10[47]、imageNet 数据集等。经过长期的发展，图像分类问题在单语义图像上取得非常好的成果，如 ResNet 网络[48]在 imageNet 数据集上的识别错误率已经到了 3.57%。但在现实生活中人们接触到的图像并非均为单语义图像，这时候急种算法能够实现对这些复杂的多语义图像进行自动分类。这种自动分类算法除求能够对图像中的语义进行准确识别外，更需要一种完全不同于单语义图像分分类方式。.2.1 形式概念分析

判别模型的图像标注的基本思想是，使用目标建议算法对多语义图像，然后利用分类网络对多语义图像的局部区域进行语义判别。该文使算法对多语义图像进行局部划分如图 3-1 所示。其中图 3-1 a)为多语义 3-1 b)为选择性搜索算法得到的局部区域划分。首先，去掉一些长宽比过大或过小的一些局部划分，如图 3-1 b)中的红色图像块。在图 3-1 b)的图像块(绿色的图像块)在多语义图像分类算法中最为重要，它们的语往具有最高的准确性。但从图 3-1 b)中可以看到，在选择性搜索算法得区域集合中，完整的语义目标图像块仅仅占据很小的一部分，其中大为部分语义图像块(蓝色的图像块)。从众多部分语义图像块中筛选出完不仅仅具有很大的难度并且需要庞大的计算量。该文设计的基于融合注算法，通过挖掘语义频繁模式可以将相同语义的图像块聚集成一个利用该文设计的融合网络可以将语义簇中的多个图像块进行特征融合合特征。最后利用融合特征训练分类网络，并对多语义图像的图像簇判别，将有效的避免选择性搜索算法得到局部语义图像块在判别时的干

【参考文献】：
期刊论文
[1]基于卷积神经网络的多标签图像自动标注[J]. 黎健成,袁春,宋友.  计算机科学. 2016(07)
[2]基于区域上下文感知的图像标注[J]. 邱泽宇,方全,桑基韬,徐常胜.  计算机学报. 2014(06)



本文编号：2962193