图像与视频的有趣性理解和预测方法研究

发布时间：2021-09-02 23:23

　　随着计算机视觉与人工智能的快速发展,数字多媒体的日益普及,人们对生活追求的不断提升,带来了数据的海量激增,但现存数据的质量良莠不齐,通过对有趣性的研究与预测,能够帮助人们高效地完成相关信息的检索,对于广告推广、视频摘要与点播等方面具有积极的作用。本文基于机器学习方法,从图像与视频有趣性的二分类预测角度出发,构建了相应的预测模型,使得计算机能够模仿人类的感知方式,自动地完成图像和视频的有趣性二分类任务。对于图像有趣性二分类任务,为了能够描述有趣性这个概念,使其转化为可计算的问题,本文构建了一个图像有趣性预测框架。该框架首先确定了不寻常、美学和一般偏好三个描述有趣性的重要线索,每个线索由不同类型的特征构成,其中不寻常由离群系数和熟悉度构成,美学由激励、纹理、颜色、复杂度和形状特征构成,一般偏好由局部特征和场景描述符构成;其次,使用判别相关分析或多集判别相关分析对同类型特征进行融合;最后,采用简单多核学习方法对图像有趣性进行分类。实验结果表明本文构建的有趣性预测框架,能够较全面地捕获图像的有趣性信息,取得较高地分类准确率,具有良好的预测性能。对于视频有趣性二分类任务,为了解决静态特征忽略视频... 

【文章来源】：西安理工大学陕西省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

彩色图像与对应的显著图

要包括三部分：首先，基于训练数据提取对应特征；接着的不同参数设置，将不同特征映射至特征空间，对所用基成核；最后，基于合成核对测试数据进行分类或回归。本图 2-2 多核学习示意图Fig.2-2 The illustration of multiple kernel learning

标数据，采用不同学习方法或者不同参数设置的同一种方法指标定量地给出学习方法或参数设置的好坏，进而对该图 2-3 集成学习示意图Fig.2-3 The illustration of ensemble learning


本文编号：3379930