融合多元信息的图像多样性检索算法

发布时间：2022-01-17 19:01

　　互联网图像的检索问题一直是多媒体领域的研究重点,大量的研究工作以提升用户的检索效率为宗旨,致力于快速而准确地为用户提供匹配度高的内容。但近年来的研究成果表明,用户在进行检索的过程中,往往对所需内容没有明确概念,需要检索机提供大量可供选择的相关内容,引导其顺利地获取所需结果。此外,互联网技术的飞速发展,使网络中数据的模态千差万别,由其中内容描述、互联关系等方面资源构成的多元数据,为图像检索技术带来契机与挑战。基于多样性的检索技术能够对网络中的多模态信息进行归纳整合,充分挖掘各实体的共性与个性。同时,该技术能够分析查询信息所包含的多方面内容,通过展示查询词各个侧面的宏观图景,帮助用户快速定位到所需的结果。现有的图像多样性检索算法,关注于图像底层特征之间的关系,难以有效地挖掘图像内在语义信息,当处理自然场景图像,面对比较严重的语义鸿沟现象时,如何设计有效的多样性检索算法,准确地反映查询词多视角内容,还有待深入研究。此外,多媒体技术的发展、多元数据的大量出现,也需要提出新方法来整合新的数据类型。基于此,论文针对不同类型的多元数据,充分考虑在不同场景下的应用问题,分别针对通用图像、尺度变化图像、... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：135 页

【学位级别】：博士

【部分图文】：

框架图1.2两种多样性检索框架示意图(b)基于聚类的检索

特征联合建模四个方面，提出了四种不同算法，用于提升图像检索的相关性与多样性。大量实验结果与实验对比证明我们所提出方法的有效性。本文章节安排如下（如图1.4所示）第一章：综述了在互联网环境下进行图像多样性检索的研究背景及意义，阐述了旅游图像检索技术的重要性，并简要介绍了图像检索领域的几个基本概念。之后13

具有多样性的判别信息。为此，本章提出了一种新的图像检索方法，用来提取图片多样性的文本信息，同时与视觉特征结合，共同提升检索结果的多样性。该算法的流程如图2.1所示，主要包括视觉建模、文本训练与特征混合三个部分。在视觉建模部分，首先，将查询词输入检索机中获取一组初始检索图像。其次，采用预先训练的字典将图像的视觉特征量化为视觉单词，同时将图像作为文档、视觉单词作为单词构建LDA模型，将图像分配到不同视觉主题之中。在文本训练部分，首先提取训练图像对应的元数据，其中包括图像标题、文本描述以及标注，将其以词频统计的方式构成图像的文本特征。其次，利用文本特征与类标的对应关系训练出阈值 1，将词频大于该阈值的词作为共有词，小于该阈值的词作为独有词。在特征混合部分

【参考文献】：
期刊论文
[1]基于聚类方法的百度搜索指数关键词优化及客流量预测研究[J]. 张玲玲,张笑,崔怡雯.  管理评论. 2018(08)
[2]以图搜图技术的发展及应用探究[J]. 疏斌,陈隆耀.  江苏通信. 2017(06)
[3]图像检索技术研究进展[J]. 周文罡,李厚强,田奇.  南京信息工程大学学报(自然科学版). 2017(06)

博士论文
[1]基于交互式语义推理的图像检索算法研究[D]. 邬俊.大连海事大学 2010
[2]搜索引擎检索功能的性能评价研究[D]. 费巍.武汉大学 2010



本文编号：3595268