| 基于可判别超平面树的生成模型图像标注方法 |
| |
| 引用本文： | 王梅,周向东,许红涛,施伯乐.基于可判别超平面树的生成模型图像标注方法[J].软件学报,2009,20(9):2450-2461. |
| |
| 作者姓名： | 王梅 周向东 许红涛 施伯乐 |
| |
| 作者单位： | 复旦大学,计算机与信息技术系,上海,200433 |
| |
| 基金项目： | 90818023，the National Basic Research Program of China under Grant No.2005CB321905 (国家重点基础研究发展计划 |
| |
| 摘 要： | 图像语义的自动标注是一个具有挑战性的研究课题,目前常见的机器学习方法,如统计生成模型(generative model)与判别模型(discriminative model)都被用于该问题的研究中.然而由于语义鸿沟的存在、图像训练数据的不平衡性以及图像标注的多标签特性等问题,使得上述方法的性能都有待进一步提高.提出一种基于可判别超平面树的生成模型图像标注方法.该方法根据待标注目标图像的高生成概率邻域,建立局部超平面分类树,进而利用同层类间可判别信息,按自顶向下的层次分类得到待标注图像的语义相关图像集合.由此得到的相关类信息与新的生成模型框架相结合对待标注图像与语义关键词的联合概率进行估计,实现对目标图像的标注.其特点在于生成模型与判别模型方法得到了有效结合,可判别超平面树对隐含语义聚类的判别分析是对待标注图像的生成"邻域"的逐步求精过程,有效地提高了生成模型标注准确度;而对于判别分析难以解决的多标签分类、训练数据不平衡等问题,此方法通过联合概率估计自然地实现目标图像的多标签分配.在常用的包含5 000幅图像的ECCV2002数据集进行了实验,结果表明,与目前已知的具有较好标注效果的基于生成模型的MBRM模型(采用图像分割方法)以及基于辨别分析的ASVM-MIL相比,此方法的F1因子分别提高了14%和13%.
|
| 关 键 词： | 自动图像标注 生成模型 判别模型 可判别超平面树 层次分类 |
| 收稿时间： | 2007/9/29 0:00:00 |
| 修稿时间： | 2008/4/15 0:00:00 |
Effective Image Auto-Annotation via Discriminative Hyperplane Tree Based Generative Model |
| |
| WANG Mei,ZHOU Xiang-Dong,XU Hong-Tao and SHI Bai-Le.Effective Image Auto-Annotation via Discriminative Hyperplane Tree Based Generative Model[J].Journal of Software,2009,20(9):2450-2461. |
| |
| Authors: | WANG Mei ZHOU Xiang-Dong XU Hong-Tao and SHI Bai-Le |
| |
| Abstract: | |
| |
| Keywords: | automatic image annotation generative model discriminant classification discriminative hyperplane tree hierarchical classification |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《软件学报》浏览原始摘要信息 |
|
点击此处可从《软件学报》下载全文 |
|
