一种基于概率粗糙集模型的图像语义检索方法

针对目前图像数据信息量大、检索不易和人们对图像检索习惯于对图像概念语义进行检索的难题,本文将概率粗糙集理论和图像的语义标注技术引入图像的信息检索中,提出了一种基于朴素贝叶斯理论和概率粗糙集模型的图像语义信息检索模型.首先,针对图像库中的图像构造精确标注词空间,并通过朴素贝叶斯理论对图像进行精确标注和模糊加权标注.将概率...     

混合语义模型的产品知识文档检索

为解决产品知识文档检索过程中遇到的问题,提出一种基于混合语义模型的检索方法.该方法将传统的用户查询需求扩展为用户偏好、语境和用户查询混合而成的语义集合,并对知识文档和用户需求进行基于本体的模糊概念表达.对于知识文档,选择领域本体的叶节点来构造文本概念向量,根据概念在本体图中的深度、携带的信息量,及出现在文档与语料库中的频度来计算权重.同样采用本体表达知识语境与查询语义,建立用户偏好模型.针对检索模型的不同组成,阐述了相应的相似度计算方法,采用概念的语义距离计算用户当前语境和文档语境之间的相似度,用余弦法计算查询语义、用户偏好与文档的相似度.最后用实验验证了该方法的检索效果优于传统的向量空间方法.     

基于语义绑定的分层视觉词汇库的图像检索

提出了一种解析复杂图像语义的模型——分层语义模型,给出了解析复杂语义和构造模型的方法.提出了基于分层语义模型的语义绑定的分层视觉词汇库的概念,给出了构造词汇库的具体方法和步骤,同时对词汇库细节问题给出了解决的方法.将提出的分层视觉词汇库应用于基于内容和语义的图像检索中,并给出了构建图像检索系统的方法和检索图像的步骤.该模型在图像检索中可同时满足基于图像内容的检索方式和基于图像语义的检索方式.实验结果表明,该方法比基于SIFT(Scale Invariant Feature Transform)特征向量的图像检索方法具有更好的性能.     

基于非负矩阵分解的隐含语义图像检索

提出了一种基于非负矩阵分解(Non-negative Matrix Factorization,NMF)的隐含语义索引(Latent Semantic Indexing,LSI)模型用于图像检索.应用NMF训练算法构造了一个语义空间,将查询图像和原型图像都投影到该空间以获得语义特征,在此空间中进行相似性的度量并将距离最近的图像返回给用户.与已有两种检索模型的实验结果对比表明,所提出模型是有效的.     

基于地名本体的加权语义相关度算法研究

针对现有地理数据空间检索方法以简单字面匹配为核心、缺乏推理能力等问题,根据地理信息科学中的空间拓扑理论,提出一种基于地名本体的加权相关度算法.该算法考虑到不同的空间拓扑关系在语义检索应用中的重要程度不同,从而赋予地理空间本体关系不同的权值,并体现了其与语义距离的反比关系.通过地名本体实例验证,表明经加权后的语义相关度算法在语义检索应用中可以达到更好的检索效果.     

一种基于同义词词典的模糊查询扩展方法

在信息检索系统中,查询扩展是一种非常有效的改进检索性能的方法. 为此,提出一种基于同义词词典的模糊查询扩展方法. 该方法中的同义词词典是基于著名的语义词典WordNet中的同义词集合建立的,同义词之间的贴近度[0, 1]使用Tanimoto系数获得. 利用该词典,能够进行较好的查询扩展. 将该方法与向量空间模型结合应用于文本信息检索系统中,所构造的检索模型相当于一种简单的语义模型,并且可以根据阈值来控制查询扩展的程度. 所得试验结果表明,使用该查询扩展方法的信息检索系统较常规信息检索系统的检索性能有一定改善.     

融合流形学习与相关反馈的人脸图像检索

针对图像检索中视觉特征和语义信息中的"语义鸿沟"问题,提出一种融合流形学习和相关反馈的人脸图像检索算法.该算法充分考虑相关反馈提供的结合语义信息的正反例样本来发现图像样本之间的鉴别性流形,优化构建低维嵌入空间的特征向量,使得相关图像之间保持近邻关系,通过最大化不相关图像之间的距离,得到一个结合了用户语义理解的低维流形特...     

基于深度典型相关性分析的跨媒体语义检索

基于典型相关性分析的跨媒体检索是一种将不同媒体特征通过相关性分析映射到同构的最大相关子空间,并在子空间中完成跨媒体数据间的相似性比较和检索的方法.典型相关性分析(canonical correlation analysis,CCA)是一种线性模型,并不能很好地挖掘跨媒体数据中的复杂相关关系.为此针对深度典型相关性分析(deep CCA,DCCA)的结构进行改进,使用隐含狄利克雷分布(latent Dirichlet allocation,LDA)发现文本语义信息并学习语义映射,提出了跨媒体深度相关性学习模型(cross-media correlation learning with deep canonical correlation analysis,CMC-DCCA)以及跨媒体语义相关性检索方法(cross-media semantic correlation retrieval,CMSCR).在维基百科文本图像数据集上的实验证明,CMC-DCCA模型能够较好地挖掘跨媒体数据中的复杂相关关系,CMSCR在跨媒体检索中具有较好的性能.     

一种基于多层次链的Data Cube维层次编码

研究了Data Cube的索引技术,提出一种能够处理复杂维层次结构情况的维层次编码.维层次编码充分利用了Data Cube中维的层次性及其语义特性,结合二进制编码与维层次结构编码对维成员值进行编码,通过二进制操作,可以快速检索出与查询关键字相匹配的维层次编码.同时,基于维层次编码定义的层次链掩码,层次掩码及检索函数能够充分利用多维数据中的语义信息,实现基于语义的检索,减少了I/O开销,提高了OLAP查询效率.     

基于组对比学习的弱监督三维点云语义分割方法

三维点云语义分割方法,是三维视觉环境感知中的重要任务,被广泛应用于自动驾驶、增强现实、机器人等领域.然而,大多数语义分割方法工作在全监督的模式下,为数据标注带来了极大的压力,为了解决对于大规模点云标注数据的依赖问题,许多工作基于有标签数据训练生成伪标签进一步迭代训练模型,但未考虑到错误伪标签累积所导致的确认偏差.针对该问题,本文提出了一种基于组对比学习的弱监督三维点云语义分割方法,在从伪标签中选择的正例组与负例组之间构造对比学习,令伪标签之间相互竞争,减少错误伪标签的梯度贡献,从而缓解确认偏差.实验结果表明,本文所提出的方法在S3DIS、ScanNetV2、Semantic3D等3个公开数据集上,相较于目前最优方法均取得了更优的精度.     

融合装配信息的三维装配模型检索方法

针对现有三维装配模型检索方法存在语义不符、准确性低、检索效率低等问题,提出一种融合装配信息的三维装配模型检索方法.首先,进行装配信息检索,利用符号化的编码表示装配信息,查找零件的编码以找出符合装配设计意图的三维模型.然后,利用装配零件之间存在的共轭关系,将装配零件的几何检索转化为查找符合共轭子图的属性邻接图,通过零件的属性邻接图进行模型检索.最后,利用频繁子图挖掘方法,提取出满足共轭子图的属性邻接图,用作模型的重用.实验结果表明:该方法能够较好地实现三维装配模型的检索,可以有效地支持面向装配零件的模型重用.     

多特征混合的流形排序及其在三维模型草图检索中的应用

为了解决现有基于流形排序的三维模型的草图检索方法特征提取过程中特征描述不准确,且需要对检索草图进行人工标注的问题,本文提出了一种基于改进特征描述符和深度学习的方法用于三维模型草图检索。该方法首先综合考虑了整体形状及局部细节对检索性能的影响,提出用于描述草图和三维模型投影视图的多特征视觉描述符。然后利用深度学习的方法实现草图语义标注。最后在包含7200幅草图和1258个三维模型的公开数据集上进行了实验验证。结果表明：本文方法不仅降低了人为标注所带来的干扰,而且显著提高了三维模型检索的准确率。研究结果将为三维影视动画的自动化检索及编辑重用等相关应用提供设计思路与技术支撑。     

一种新的基于稀疏编码Hash的跨模多媒体数据检索算法

针对现有跨模Hash检索方法不能有效消除不同模态数据间语义差异的问题,提出一种新的基于稀疏编码Hash的检索方法,解决了图像低层视觉特征和高层语义之间的语义差异,改善了跨模检索的效果.使用稀疏编码进行跨模相似性检索,首先使用稀疏编码获取图像与文本的显著特征和隐含概念,然后将学习到的隐含语义特征映射到共同的抽象空间中,再通过迭代机制找到多模态数据特征表示间的相关性,最后通过高层语义抽象空间的量化得到统一的Hash编码.     

基于流形排序的电网截面数据检索

随着电力系统信息化的发展,电网数据具有数量大、类型多、维度高的特点。针对在数据检索时多维度查询效率不高,检索结果无法多维度整体匹配的问题,提出一种基于流形排序的电网截面数据检索方法;该方法将电网截面数据描述成多维向量空间中的对应点,创建加权图模型。通过考虑数据的整体近似流形结构来获得检索结果,使之与源查询之间具有较高的相关性;使用置信传播分配排序分数,提高了检索结果的准确性,有效避免相关性度量对高维数据查询处理的不足。     

低维显式语义空间下的语义关联度计算方法

语义关联度计算是数据科学中的一个关键性基础问题,在信息检索及自然语言处理等方面有着广泛的应用.针对ESA (Explicit Semantic Analysis)算法存在的局限性,提出一种显式语义特征选择算法,并构建低维语义空间.在此基础上,根据特征概念在Wikipedia中的映射信息,提出一种低维显式语义空间下的语义关联度计算方法.该方法解决了ESA算法在后续语义关联度计算过程中,因高维稀疏空间导致计算效果不够准确的问题.实验结果表明,与当前其他方法相比,该方法的计算结果在皮尔逊相关系数(P)及斯皮尔曼相关系数(S)上与人们的认知判断之间具有更好的一致性.     

基于分解的向量空间模型的Web新闻信息检索

在分析了传统向量空间检索模型的不足的基础上，给出了一种利用分解的向量空间模型进行Web新闻信息检索的方法.该方法没有使用传统向量空间模型中的单个向量，而是按照语义将特征词划分为4个组（人物，时间，地点，内容）并形成4个向量空间，每个空间进行独立的权重计算和相似度计算.而且将报道中的时间信息标准化，利用地理知识将报道中的地点特征词扩充，并利用这些信息进行检索.实验证明这些方法是有效的.     

Image Tagging by Semantic Neighbor Learning Using User-Contributed Social Image Datasets

The explosive increase in the number of images on the Internet has brought with it the great challenge of how to effectively index, retrieve, and organize these resources. Assigning proper tags to the visual content is key to the success of many applications such as image retrieval and content mining. Although recent years have witnessed many advances in image tagging, these methods have limitations when applied to high-quality and large-scale training data that are expensive to obtain. In this paper, we propose a novel semantic neighbor learning method based on user-contributed social image datasets that can be acquired from the Web's inexhaustible social image content. In contrast to existing image tagging approaches that rely on high-quality image-tag supervision, we acquire weak supervision of our neighbor learning method by progressive neighborhood retrieval from noisy and diverse user-contributed image collections. The retrieved neighbor images are not only visually alike and partially correlated but also semantically related. We offer a step-by-step and easy-to-use implementation for the proposed method. Extensive experimentation on several datasets demonstrates that the performance of the proposed method significantly outperforms others.     

基于自建模糊本体的智能信息检索研究

提出一种基于本体的信息检索模型,该模型将信息检索系统与从搜索的数据信息自动构建的本体相结合.使用在本模型中的本体有一般语义本体、领域知识和自动生成、构建的模糊概念层.主要研究基于本体的信息检索模型.描述处理过程及检索机制,并采用TREC的评价方法评估该模型,讨论应用不同类型本体的检索效果和影响.实验结果表明,提出的信息检索模型具有较好的检索效果.