基于图理论的图像搜索结果重排序的研究

发布时间：2017-04-18 09:08

  本文关键词：基于图理论的图像搜索结果重排序的研究，由笔耕文化传播整理发布。

【摘要】：随着互联网搜索引擎日趋多元化,用户已经习惯于在互联网上借助各类搜索引擎搜索各种信息,包括文本、图像和视频等。传统的基于文本的图像检索系统,大都依赖关键字搜索。由于文本信息的描述内容与图像本身不匹配和图像所包含的大量噪声,导致搜索结果词不达意。现有主流的互联网搜索引擎,如Google、Bing、百度等进行相关的图像搜索时,主要利用图像周遭的相关文本信息来对图像列表进行搜索和排序,缺乏考虑图像间内在的联系和图像自身的内容,导致基于文本的图像搜索结果不尽如人意。如何将符合用户所需的图像排在搜索结果中靠前的位置,提高图像相关搜索结果的质量,已经得到了众多研究者的关注。图像重排序是指在基于初始搜索结果的前提下,挖掘图像间内在的联系和图像自身的内容,对初始排序结果重新进行排序,将符合用户所需的图像排在靠前的位置。目前,根据使用框架的不同,图像重排序方法大体可以分为四类：基于线性组合的重排序、基于聚类的重排序、基于分类的重排序和基于图理论的重排序。现有基于图理论的重排序方法一般对初始排序结果的得分采用伪相关方法,默认靠前的图像得分高,但事实并非如此。由于搜索引擎返回的初始排序的结果列表是基于文本检索所得,其结果列表精度不高,可能会导致靠后的图像更符合用户所需。基于上述问题,本文提出了两种基于图理论的多模态图像重排序算法,主要工作和创新点如下：1.为了提高图像检索中的重排序效果,提出了一种基于图理论的多模态随机游走重排序算法。现有的重排序算法大都根据检索返回的图像顺序来设置图像列表得分序列初值,与此不同的是,本文所提算法将多模态概念融合应用于随机游走算法中,由此避免了单一模态获取图像内容所造成的片面性,进而利用多模态随机游走方法对返回图像列表的得分序列进行初始化,然后利用多模态重排序算法最优化目标函数,并对相关参数和得分列表进行迭代更新,从而获得最终重排序后的图像序列。实验显示了本文所提出的基于图理论的多模态随机游走重排序算法具有良好的重排序效果。2.为更加真实地反映图像重排序的意图,并使多模态在重排序算法中更加有效,提出了一种基于图理论的多模态相似性积分重排序算法。该算法首先将返回的图像集生成六种模态,并将多模态概念应用到相似性积分算法中。进而将相似性积分算法返回的图像排序得分列表作为基于图的多模态重排序算法的输入。在得到排序结果后,将利用标准拉普拉斯正则化生成重排序算法的目标函数最小化。然后对相关参数和得分列表进行迭代更新,最终获得重排序后的图像序列。实验表明文中所提出的重排序算法的排序效果良好,验证了基于图理论的多模态相似性积分重排序算法的有效性。
【关键词】：重排序 图像检索 多模态 随机游走 相似性积分
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• Abstract5-9
• 第1章 绪论9-20
• 1.1 研究背景与意义9-13
• 1.1.1 图像搜索结果重排序的研究背景9-11
• 1.1.2 图像搜索结果重排序的研究意义11-13
• 1.2 研究现状13-18
• 1.2.1 相关性重排序与多样性重排序13-15
• 1.2.2 图像搜索结果重排序的方案15-18
• 1.3 本文的主要内容与结构18-20
• 第2章 相关工作20-30
• 2.1 相似性度量20-21
• 2.2 基于图理论的重排序21-22
• 2.3 随机游走模型22-23
• 2.4 相似性积分23-24
• 2.5 多模态及相关参数优化24-26
• 2.6 评价准则26-29
• 2.6.1 相关性重排序的评价准则26-28
• 2.6.2 多样性重排序的评价准则28-29
• 2.7 本章小结29-30
• 第3章 基于图理论的多模态随机游走重排序算法30-39
• 3.1 概述30-31
• 3.2 算法描述31-33
• 3.3 实验结果与分析33-37
• 3.3.1 数据集与评价指标33-34
• 3.3.2 三种重排序算法在不同类别中的性能比较34-36
• 3.3.3 不同检索深度情况下三种重排序算法性能比较36
• 3.3.4 单一模态重排序算法与MGRRW算法对比36-37
• 3.4 本章小结37-39
• 第4章 基于图理论的多模态相似性积分重排序算法39-48
• 4.1 概述39-40
• 4.2 算法描述40-42
• 4.3 实验结果与分析42-46
• 4.3.1 数据集与评价指标42
• 4.3.2 三种重排序算法在不同类别中的性能比较42-44
• 4.3.3 不同检索深度情况下三种重排序算法性能比较44-45
• 4.3.4 单一模态重排序算法与MGRSI算法对比45-46
• 4.4 本章小结46-48
• 第5章 总结与展望48-50
• 5.1 总结48-49
• 5.2 展望49-50
• 参考文献50-56
• 致谢56-57
• 攻读硕士学位期间发表的论文57-58
• 附录58-59
• Appendix59

【相似文献】

中国期刊全文数据库 前10条

1 卢敏;黄亚楼;谢茂强;王扬;刘杰;廖振;;代价敏感的列表排序算法[J];计算机研究与发展;2012年08期

2 张正铀;;散列排序算法[J];广西科学院学报;1982年01期

3 全惠云;;基于矩阵分裂法的一类异步N&行排序算法[J];计算技术与自动化;1991年01期

4 董德林;两个高效排序算法的APPLESOFT BASIC程序[J];丽水师专学报;1992年S1期

5 王晓东;最优堆排序算法[J];小型微型计算机系统;2000年05期

6 吴江,张德同;二次分“档”链接排序算法分析[J];计算机研究与发展;2001年08期

7 李德启,王雄;一种新型快速的排序算法[J];计算机工程;2001年03期

8 赵忠孝;一种新的散列排序算法[J];电脑开发与应用;2001年03期

9 许善祥,朱学东,邵敬春;选择排序算法的改进[J];佳木斯大学学报(自然科学版);2001年04期

10 王红梅,朱洪秀,郑虹;一种改进的起泡排序算法及其性能分析[J];延边大学学报(自然科学版);2001年04期

中国重要会议论文全文数据库 前10条

1 周晓方;金志权;;寻找最佳分布式排序算法[A];第九届全国数据库学术会议论文集(上)[C];1990年

2 张艳秋;李建中;;一种基于蛇型磁带的排序算法[A];第十八届全国数据库学术会议论文集（研究报告篇）[C];2001年

3 刘春阳;叶君峰;母海龙;陆秋霞;陈沧;高莺;;一种商品标题主题词的重要性排序算法[A];第五届全国信息检索学术会议论文集[C];2009年

4 王少帅;汤庆新;姚路;;并行独立集排序算法的改进与实现[A];第十六届全国青年通信学术会议论文集（上）[C];2011年

5 于芳;王大玲;于戈;陈冬玲;鲍玉斌;;面向用户的排序算法研究[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

6 闫泼;马军;陈竹敏;;面向主题的网页排序算法研究[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 张健沛;李连江;杨静;;个性化搜索引擎排序算法的研究与改进[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

8 吴志彬;陈义华;;ANP中超矩阵排序算法研究[A];2006中国控制与决策学术年会论文集[C];2006年

9 陈丛丛;石冰;陈健;;面向主题的查询相关网页排序算法[A];第三届中国智能计算大会论文集[C];2009年

10 齐曼;张珩;;实时视觉仿真中帧连贯性应用[A];'2000系统仿真技术及其应用学术交流会论文集[C];2000年

中国重要报纸全文数据库 前1条

1 广东 黄陀;基本算法简介（三）[N];电脑报;2001年

中国博士学位论文全文数据库 前3条

1 赵立军;基于归并的高效排序算法的研究[D];中国科学院研究生院（计算技术研究所）;1998年

2 崔筠;无向基因组的移位排序算法[D];山东大学;2006年

3 郝凡昌;有向基因组复合操作重组排序算法研究[D];山东大学;2011年

中国硕士学位论文全文数据库 前10条

1 徐林龙;基于商品特征属性的排序算法研究[D];西南交通大学;2015年

2 陈浩;基于图理论的图像搜索结果重排序的研究[D];安徽大学;2016年

3 王靖;数据库管理系统中高能效排序算法[D];浙江工业大学;2012年

4 尹晓;基因组移位排序算法的改进和评测[D];山东大学;2006年

5 黄兴;比特位拆分索引排序算法研究[D];清华大学;2007年

6 Mushtaq AbdulMutalib Hasson;一种论文时间与引用兼顾的科研论文排序算法[D];华中科技大学;2012年

7 刘声田;基于第一降序小队翻转排序算法的设计与实现[D];山东大学;2006年

8 曹臻;基于粗糙集的粒度排序算法[D];上海海事大学;2007年

9 侯红梅;图像搜索重排序算法研究[D];山东大学;2014年

10 徐艳霞;面向数学搜索的排序算法研究[D];兰州大学;2012年

  本文关键词：基于图理论的图像搜索结果重排序的研究，，由笔耕文化传播整理发布。

本文编号：314512