基于半监督图正则化的跨媒体特征学习
发布时间:2021-11-01 23:03
近些年,随着互联网技术的发展,网络上的多媒体数据呈现爆炸式增长,逐渐从一种媒体类型转变成文本、图像、视频、音频、3D模型等多种媒体类型,不同形态的多媒体数据融合在一起,展现出更丰富和全面的语义信息。而传统的单媒体检索难以满足人们对不同媒体类型数据的检索需求,因此,一种新的信息检索技术-跨媒体检索应运而生,迅速成为近几年国内外学者研究的热门课题。跨媒体检索技术突破了单媒体检索局限于检索同种媒体类型数据的桎梏,其检索模式是将一种媒体类型的数据作为查询来检索其他类型的相关数据对象,如:用图像检索语义相似的文本、音频数据等。跨媒体检索的关键挑战是解决多媒体数据之间的“语义鸿沟”问题,即:不同媒体类型的数据对相同的高层语义有着不同的底层特征表达,因此,如何准确衡量它们之间的语义相似性,进而进行跨媒体特征学习非常具有挑战性。针对以上问题,本文基于半监督图正则化进行跨媒体特征学习,应用图正则化来保护多媒体数据间的相似性,在图中使用了相似性矩阵来明确衡量数据间的关联关系;在此基础上,应用了跨媒体小块来突出多媒体数据中的重要部分,从而提高跨媒体关联性的精度。本文采用查准率和召回率作为评价标准,在不同的跨...
【文章来源】:武汉科技大学湖北省
【文章页数】:58 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 主要研究内容
1.4 论文组织结构
第2章 跨媒体检索研究综述
2.1 传统的多媒体检索方法
2.1.1 基于文本的多媒体检索
2.1.2 基于内容的多媒体检索
2.2 基于公共空间学习的跨媒体检索方法
2.2.1 传统的统计相关分析方法
2.2.2 跨媒体图正则化方法
2.2.3 度量学习方法
2.2.4 学习排序方法
2.2.5 基于DNN的方法
2.3 跨媒体检索的挑战
2.4 本章小结
第3章 基于图正则化的跨媒体特征学习
3.1 跨媒体数据特征提取
3.1.1 图像特征提取
3.1.2 文本特征提取
3.1.3 视频特征提取
3.2 基于图正则化的跨媒体特征学习算法求解
3.2.1 跨媒体特征学习
3.2.2 跨媒体图正则化学习
3.3 实验结果对比和分析
3.3.1 实验数据集
3.3.2 实验评估标准
3.3.3 实验对比方法
3.3.4 实验结果分析
3.4 本章小结
第4章 基于块图正则化的半监督跨媒体特征学习
4.1 媒体实例细分
4.2 基于块图正则化的半监督跨媒体特征学习算法求解
4.2.1 算法框架概述
4.2.2 目标函数求解
4.2.3 目标函数优化
4.2.4 公共特征空间的跨媒体相似性度量
4.3 实验结果对比和分析
4.3.1 实验参数设置
4.3.2 实验结果分析
4.4 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
附录1 攻读硕士学位期间发表的论文
附录2 攻读硕士学位期间参加的科研项目
中文详细摘要
【参考文献】:
期刊论文
[1]卷积神经网络在跨媒体检索中的应用研究[J]. 金汉均,段贝贝. 电子测量技术. 2018(07)
[2]基于字典学习的跨媒体检索技术[J]. 戚玉丹,张化祥,刘一鹤. 计算机应用研究. 2019(04)
[3]最优视频子集与视频时空检索[J]. 王美珍,刘学军,孙开新,王自然. 计算机学报. 2019(09)
[4]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[5]一种基于kmeans聚类算法和LDA主题模型的文本检索方法及有效性验证[J]. 刘江华. 情报科学. 2017(02)
[6]基于深度卷积神经网络的图像检索算法研究[J]. 刘海龙,李宝安,吕学强,黄跃. 计算机应用研究. 2017(12)
[7]无监督深度学习彩色图像识别方法[J]. 康晓东,王昊,郭军,于文勇. 计算机应用. 2015(09)
[8]基于多特征融合的图像检索[J]. 张永库,李云峰,孙劲光. 计算机应用. 2015(02)
[9]基于改进形状上下文特征的二值图像检索[J]. 吴晓雨,何彦,杨磊,张宜春. 光学精密工程. 2015(01)
[10]混沌时间序列全局预测新方法——连分式法[J]. 张森,肖先赐. 物理学报. 2005(11)
本文编号:3470854
【文章来源】:武汉科技大学湖北省
【文章页数】:58 页
【学位级别】:硕士
【文章目录】:
摘要
ABSTRACT
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 主要研究内容
1.4 论文组织结构
第2章 跨媒体检索研究综述
2.1 传统的多媒体检索方法
2.1.1 基于文本的多媒体检索
2.1.2 基于内容的多媒体检索
2.2 基于公共空间学习的跨媒体检索方法
2.2.1 传统的统计相关分析方法
2.2.2 跨媒体图正则化方法
2.2.3 度量学习方法
2.2.4 学习排序方法
2.2.5 基于DNN的方法
2.3 跨媒体检索的挑战
2.4 本章小结
第3章 基于图正则化的跨媒体特征学习
3.1 跨媒体数据特征提取
3.1.1 图像特征提取
3.1.2 文本特征提取
3.1.3 视频特征提取
3.2 基于图正则化的跨媒体特征学习算法求解
3.2.1 跨媒体特征学习
3.2.2 跨媒体图正则化学习
3.3 实验结果对比和分析
3.3.1 实验数据集
3.3.2 实验评估标准
3.3.3 实验对比方法
3.3.4 实验结果分析
3.4 本章小结
第4章 基于块图正则化的半监督跨媒体特征学习
4.1 媒体实例细分
4.2 基于块图正则化的半监督跨媒体特征学习算法求解
4.2.1 算法框架概述
4.2.2 目标函数求解
4.2.3 目标函数优化
4.2.4 公共特征空间的跨媒体相似性度量
4.3 实验结果对比和分析
4.3.1 实验参数设置
4.3.2 实验结果分析
4.4 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
附录1 攻读硕士学位期间发表的论文
附录2 攻读硕士学位期间参加的科研项目
中文详细摘要
【参考文献】:
期刊论文
[1]卷积神经网络在跨媒体检索中的应用研究[J]. 金汉均,段贝贝. 电子测量技术. 2018(07)
[2]基于字典学习的跨媒体检索技术[J]. 戚玉丹,张化祥,刘一鹤. 计算机应用研究. 2019(04)
[3]最优视频子集与视频时空检索[J]. 王美珍,刘学军,孙开新,王自然. 计算机学报. 2019(09)
[4]基于深度卷积神经网络的图像去噪研究[J]. 李传朋,秦品乐,张晋京. 计算机工程. 2017(03)
[5]一种基于kmeans聚类算法和LDA主题模型的文本检索方法及有效性验证[J]. 刘江华. 情报科学. 2017(02)
[6]基于深度卷积神经网络的图像检索算法研究[J]. 刘海龙,李宝安,吕学强,黄跃. 计算机应用研究. 2017(12)
[7]无监督深度学习彩色图像识别方法[J]. 康晓东,王昊,郭军,于文勇. 计算机应用. 2015(09)
[8]基于多特征融合的图像检索[J]. 张永库,李云峰,孙劲光. 计算机应用. 2015(02)
[9]基于改进形状上下文特征的二值图像检索[J]. 吴晓雨,何彦,杨磊,张宜春. 光学精密工程. 2015(01)
[10]混沌时间序列全局预测新方法——连分式法[J]. 张森,肖先赐. 物理学报. 2005(11)
本文编号:3470854
本文链接:https://www.wllwen.com/kejilunwen/shengwushengchang/3470854.html
最近更新
教材专著