基于视觉内容语义相关度的图像标签自动排序方法

提出一种基于视觉内容语义相关度的图像标签自动排序方法.该方法按照标签与图像内容的语义相关程度对网络共享图像的标签进行排序.首先,算法基于贝叶斯理论给出标签与图像内容语义相关度计算的概率表述.然后,融合多种视觉特征以实现对不同语义的标签与图像内容相关度概率的准确估计,具有较高的可扩展性.实验数据采用149 915幅Flickr网站下载图像,实验结果验证了本文方法的有效性.     

VTC-KSVD:一种融合视觉特征与标签一致性的多标签图像标注方法

提出一种融合视觉特征及标签一致性的多标签图像标注方法VTC-KSVD.首先通过K均值奇异值分解（KSVD）法建立图像的标签一致性模型TC-KSVD,然后将多视图特征融合在该模型中.该方法既利用了训练样本的类标与编码系数的判别式模型,又利用了训练样本的标签与编码系数的关系,增加了字典的判别性,提高了标注性能.在Corel5K数据集上的实验结果表明,融合了多视图视觉特征与标签一致性的VTC-KSVD方法可以较为准确地找到视觉特征与语义特征均相似的图像近邻,能明显提升多标签图像的标注性能,并能有效缓解训练数据有限而引起的稀疏性问题.      

基于特征融合与多元关系一致性的社会标签精化模型

许多社交网站和图片分享网站允许用户自由地选择标签,来对他们上传的图片进行标注.这极大地方便了图片检索、图片排序、标签推荐等多媒体应用.然而,用户提供给网络图片的标签常常具有不相关、不精确、不完整的特点,因而需要对其进行精化.提出一种基于多元特征融合和多元关系一致性的社会标签精化模型.该最优化模型综合考虑了图像视觉特征、用户标签、图像用户信息以及它们之间的关系,并以这三者的一致性关系作为规划目标.此外,在图像视觉特征处理方面,将多元特征融合在最优化模型中,通过迭代算法自动地给出各个特征的权重.与传统的将多个底层视觉特征连接成一个长的特征向量或者仅使用一种特征的做法相比,该方法不但有效避免了维度灾难,还能最大程度地利用不同的视觉信息用于图像区分.实验表明,该方法与目前提出的一些最优秀算法具有可比性.     

基于基分类器的图像语义标签自动排序方法ISLR-BV

针对当前图像语义标签的无序性问题,提出了一种基于基分类器加权投票的图像语义标签自动排序方法 ISLR-BV。该方法综合考虑图像的显著性区域内容以及图像的语义上下文信息,借助RAPC-W进行多标签数据集的转化,并在RAPC-W转化后的数据集上进行基分类器的学习,借助得到的基分类器对图像的语义标签进行加权投票,以此来决定每个语义标签与图像的相关程度,实现图像语义标签的有序排列。在数据库NUS-WIDE上的实验结果表明,在一定程度上提高了图像语义标签排序的准确度。     

一种基于朴素贝叶斯的校准标签排序方法

传统的校准标签排序算法(calibrated label ranking,CLR)利用成对标签关联进行转化来预测结果.该算法的校准是在二元关系算法(binary relevance,BR)基础上进行比较产生结果,其预测对BR产生结果具有一定的依赖性,因此该算法在预测某些数据集时具有一定的局限性.为了更好地区分标签的相关性和不相关性,提出了一种用于标签边界域的校准方法,对处于相关性标签和不相关性标签的边界部分采用贝叶斯概率进一步校正,从而提高边界域部分分类的准确性.基于朴素贝叶斯校准的标签排序方法(calibrated lable ranking method based on naive bayes,NBCLRM)与校准标签排序等7种传统的方法进行对比,实验结果表明,本文提出的算法不仅可以根据需求修改阈值ε和μ来调节预测结果,而且能够有效地提升传统多标签学习方法的性能.     

基于二分图的个性化图像标签推荐算法

传统的图像标签推荐方法通过对图像视觉内容的分析计算标签与图像的相关度,完成标签推荐任务.而社会网络图像具有丰富的元数据,例如图像所属群组、地理位置等,充分利用这些元数据对于提高标签推荐的准确性具有积极意义.提出一种基于二分图的个性化图像标签推荐算法,通过充分挖掘图像、群组、地理位置与标签的关系,针对用户提供的少量标签进行个性化图像标签推荐.该算法建立了图像-标签、群组-标签、地理位置-标签等三个二分图模型,考虑到每个标签的重要性不同,引入TF-IDF(Term Frequency-Inverse Document Frenquency)技术对标签进行加权处理.利用二分图将初始标签分值进行信息扩散,计算出最终标签分值向量,并将该向量中分值较高的标签作为推荐结果.实验结果表明,融合了图像与群组、地理位置等元数据的个性化图像标签推荐结果的NDCG(Normalized Discounted Cumulative Gain)值优于仅单方面考虑图像、群组以及地理位置的标签推荐结果.     

基于多特征和流形排序的显著性检测

显著性检测近年来得到广泛关注,其中基于流形排序的显著性检测取得了较为理想的效果。但该方法用颜色平均值来描述图像单元,这就使得图像单元内的细节信息被忽略。此外,根据人类视觉系统,人眼对颜色、纹理等多种特征敏感,而单一的颜色均值信息只能从单一角度描述图像,不能够全面立体地刻画图像内容。因此,提出了采用多个特征从多个角度对图像内容进行刻画。在公共数据集上的实验结果表明,所提出方法能够得到较好的检测效果,优于所有对比方法。     

基于多尺度特征融合的图片情感分布学习

视觉情感分析旨在分析人们对视觉刺激的情感反映,近年来受到了共享平台和网络社交等多媒体视觉数据相关领域的关注.传统的图片情感分析侧重于单标签的情感分类,忽略了图片表达的情感的复杂性和图像潜在的情绪分布信息,不能体现出图片所表达的不同情绪之间的相关性.针对以上问题,首先采用ViT和ResNet网络进行全局和局部融合的多尺度情感特征提取,通过主导情绪分类和标签分布学习进行图片情感识别,充分表征图片的复杂情感.在公开的Flickr_LDL数据集和Twitter_LDL数据集上取得了显著的效果,证明了提出方法的有效性.     

基于k-近邻分类匹配的虹膜识别技术与应用

利用虹膜图像中丰富的结构和纹理特征作为身份鉴别的依据,与其他生物特征识别相比,具有更高的可靠性.虹膜识别系统包括虹膜图像采集、虹膜图像预处理、特征提取、匹配与识别等部分.该文提出一种基于k-近邻分类器虹膜识别方法,该方法先对虹膜图像进行定位、归一化和增强等预处理,利用Gabor滤波实现虹膜纹理特征的提取,再用k-近邻分类器进行匹配,达到了识别的目的.实验结果表明,该方法是可行的.     

基于多尺度多通道均值的视觉显著性检测

针对已有视觉显著性检测方法很难清晰地提取出图像的显著性区域、检测准确性不高的问题,提出一种基于多尺度多通道均值的视觉显著性检测方法.利用二维小波变换对图像进行小波分解和重构,用双立方插值对滤波后图像进行多尺度缩小,计算图像各个通道的均值,以图像与各个通道均值的距离作为图像的显著值,保留图像中显著值不小于其显著均值的部分,用双立方插值对图像进行放大并进行图像叠加,利用线性归一化得到最终显著图.结果表明所提出的方法能够清晰地提取出图像的显著性区域,提高检测准确性.