基于CTM模型和最优标签集的图像标注

为了提高自动标注系统的性能,提出了一种基于最优标签集图像自动标注系统优化算法.用词袋模型表示图像,采用CTM模型进行图像标注,在此基础上,采用基于词频因子的词间相关性以及启发式迭代算法对获得的标注词进行有效的优化,提高了标注词的准确性.在Corel5K数据集中利用LDA模型和CTM模型进行图像标注对比实验,实验结果表明本文提出的图像标注方法能有效提高标注系统的性能.     

典型相关分析与多伯努利相关模型的图像标注

文章提出一种基于图像的视觉词袋与文本标注的典型相关分析与分割无关的多伯努利相关模型的自动图像标注算法。在图像标注与分类任务中,矢量量化图像局部描述子得到的视觉词袋特征已显示了其鲁棒性与可区分性,文中对视觉词袋与文本特征作典型相关分析,确保投影变换后新的视觉特征与文本特征的相关性最大化,从而有效地在视觉与文本2种模态中建立联系,契合了自动图像标注的主旨。文中还提出了一种简化的多伯努利相关模型,实验结果证明了典型相关分析比概率潜藏语义分析更适合于图像自动标注,也证明了简化的多伯努利相关模型的有效性。     

基于风格建模的图像自动标注

传统的自动图像标注假设图像相对独立,在训练和标注阶段,图像之间的联系都被忽略.然而在实际应用中,用户往往倾向于将来自同源(如同一次旅行,同一次庆典等)的图像存储在一起,组成一个图像子集,来自同一个图片子集的图像享有共同的"风格".以传统的基于PLSA模型的自动图像标注为基础,提出为图像集的"风格"建模,在风格模型的基础上进行自动图像标注.不同数据集上的实验证明,提出的风格化图像自动标注可以为传统的基于PLSA模型的自动图像标注带来80%左右的性能提升.     

基于Pareto多目标遗传算法的模糊系统设计

提出一种基于Pareto多目标遗传算法生成一组精确性和解释性较好折衷模糊系统的方法.该方法采用模糊聚类算法辨识初始的模糊模型,利用匹茨堡型实数编码的遗传算法对初始模糊模型的结构和参数进行优化,基于NSGA-Ⅱ算法的目标函数同时考虑模型的精确性和解释性;最后,在算法中利用基于相似性的模型简化方法约简模糊系统.利用该方法对两个Benchmark系统进行建模,仿真结果验证了该方法的有效性.     

一种改进图像标注的新方法

社会媒体共享网站允许用户上传图片的同时,也鼓励用户对上传图片内容加以标注.不过要对网站中所有图片进行内容标注,将是一项非常费时的任务;而如对同一类型图片统一进行标注则会大大降低内容标注的准确性.因此,文中提出了一个内容标注的新方法.首先,采用仿射传播聚类算法,从同一类型图片中获取一组具有代表性的图像;然后,利用图像内容的视觉信息和语义信息,对能够表示代表性图像内容标签的相关值进行估计,并依据随机游走算法改进标签的相关值;最后,通过半监督学习方法自动为同一类型的其它图片分配标签.基于Flickr图片集的实验结果表明所提方案的有效性.     

基于弹簧-质点模型的三角网格曲面展开算法及其应用

提出一种自调整初始展开方法,对基于弹簧-质点模型的展开优化算法进行改进,保证其初始展开平面的拓扑完整性.同时,为了防止模型迭代发散,采用对能量释放前后误差进行判断的方法,有效地遏制算法的发散.最后,将算法应用于制造领域,试验结果表明算法可取得较高质量的展开平面.     

基于判决HMM和改进Viterbi的钢琴指法自动标注方法

现有的一阶隐马尔可夫模型(hiddenMarkovmodel,HMM)用于钢琴指法标注不能结合音符序列的长程信息,导致标注结果存在物理不可弹指法,且演奏效率较低,因此本文提出了一种基于判决隐马尔可夫模型和改进维特比算法的钢琴指法自动标注算法.结合指法规则的先验知识,在HMM中引入了判决函数,从而能够去除错误的穿跨指和超出可弹跨度的指法.在预测指法路径时,改进了维特比算法的寻优规则,首先根据先验知识对音符序列进行八度分段,并改进初始指法的确定方法,最后选择穿跨指数最少、演奏效率最高的指法序列为最优指法.为了表征算法的性能,文中还提出了不可弹指法占比率和欠合理率两种新的评价指标来衡量指法的可弹性和演奏效率.通过实验验证,文中算法相较于现有标注模型在一致率和两种新的指标上提升效果显著.另外,为了对比在小数据集下传统方法和深度学习方法的性能,还与Bi-LSTM+CRF进行了对比实验,训练时分别采用原始音符序列和音符差分序列,实验结果显示利用音符差分序列可以有效提高标注结果的一致率,由此可见,相较于原始音符序列,指法标注和音符差分序列的关系更密切,从而进一步验证了本文算法结合音符差分信息改进HMM的有效性.但现有数据量下,深度学习模型在不可弹指法率和欠合理率上差于本文算法.     

基于排序学习的文本概念标注方法研究

提出一种基于排序学习的方法CRM (concept ranking model), 来实现文档的维基百科概念自动标注。首先人工对一定规模的文档进行概念标注, 建立训练集合, 然后利用排序学习算法在多项特征上得到对概念排序的模型, 利用这个概念的排序模型对任意文档进行概念标注。实验表明, 相对于传统的文档概念标注方法, 此方法在各类指标上都有相当大的提高, 标注结果更加接近人类的概念标注。     

基于FP-Growth算法的词性标注规则获取方法

为了提高词性标注模型训练语料的质量,设计了一种利用FP-Growth算法从训练语料库中自动获取词性标注规则的方法,并将该方法与基于Apriori算法的词性标注规则获取方法进行了对比实验.实验结果显示,对于0.1万、0.2万和1万词级的小规模语料库,2种方法获取的词性标注规则条数均相同,但基于FP-Growth算法的时间耗费分别仅为基于Apriori算法的0.013 866%,0.010 399%,0.003 132%;对于10万、100万词级的训练语料库,基于Apriori算法无法获取任何规则,但基于FP-Growth算法依然可以在合理时间内获取有效的规则.这说明,基于FP-Growth算法的词性标注规则获取方法是可行且高效的,满足在优化训练语料库时能从不同规模的语料库中自动获取词性标注规则的实际需求.     

由粗到精的三维等距模型对应关系计算

针对不同姿态下的三维等距模型对应关系计算问题,提出了一种基于初始谱植入的稠密对应关系计算方法。计算源模型与目标模型上各点的高斯曲率,利用空间一致采样算法获得一组数目相同的采样点,通过初始谱植入构建源模型与目标模型间的初始对应关系,使用空间一致采样法并结合二分图匹配算法迭代获取每一层的对应关系,利用贪婪优化算法进行优化,得到三维模型间的稠密对应关系。实验结果表明,以初始谱植入匹配算法计算得到的稀疏对应关系为基础,通过由粗到精的求解过程,能构建更为准确的稠密对应关系,并在一定程度上减小了等距误差。与已有算法相比,基于初始谱植入的稠密匹配算法适用于计算等距或近似等距的三维模型之间的对应关系;与单一使用测地距离度量相比,可以得到更加准确的稠密对应关系。