基于Bayes的自动图像标注

给出了一种基于Bayes的图像自动标注方法.将图像标注问题看做多类分类问题,通过判断类条件概率密度来选择最佳标注词,并在Corel图像库上进行了实验.实验验证了该方法的有效性.     

加权特征自动图像标注方法

提出了一种基于加权特征的图像自动标注方法．该方法首先采用加权特征聚类算法对图像区域进行语义聚类,这种聚类算法根据图像特征的统计分布来计算特征与类别的相关度,增加相关度高的特征的权重,避免聚类算法被弱相关或不相关的特征所支配;然后,根据训练集中样本图像的标注情况建立图像区域与语义关键字的关联;最后,在未标注图像区域给定时,计算每个语义关键字的条件概率,将条件概率最大的语义概念作为图像的标注． 在Corel图像库的数据集上验证了新方法的有效性．     

一种基于实例的图像自动语义标注方法

在基于内容的图像检索中,图像的标注字能够缩小图像的高级语义和低级视觉内容之间的差距．并方便检索．但手工标注费时费力且结果具有主观不一致性,而图像的自动语义标注能够将图像的视觉特征转化为图像的标注字信息,为用户的使用带来了极大的方便．本文提出了一种基于实例的图像自动语义标注方法．该方法的优点是可以根据以往的标注经验自动确定图像标注信息,克服了手工标注的缺点,也可以方便地扩展为半自动标注,为标注者提供了一个简单方便的标注接口．     

一种基于多核SVM的服装图像自动标注方法

Web服装图像检索是目前的一个热点研究领域,服装图像的自动标注是其中的一项重要研究内容.只有准确地自动标注服装图像,才能实现服装图像的智能化搜索.本文在大量实验的基础上,提出了一种基于多核SVM服装图像自动标注方法,通过提炼服装图像的本质特征并结合交叉验证法调优参数,明显提高了服装图像自动标注的准确率.     

基于深度学习的图像自动标注方法综述

图像自动标注是目前计算机视觉和自然语言处理交叉研究领域的一个研究热点。对图像自动标注领域中的深度学习方法进行综述;针对图像自动标注领域的国内外研究现状,按照基于多模态空间、基于多区域、基于编码-解码、基于强化学习和基于生成式对抗网络等五个分类标准进行详细综述;介绍图像自动标注领域相关的数据集和评价标准,对比不同图像自动标注方法的优缺点;通过分析图像自动标注领域的当前研究现状,提出该领域亟待解决的3个关键问题,进一步指出未来的研究方向,并对本研究进行总结。     

基于神经网络的超声医学图像自动分割

图像分割是多维超声医学图像重建中最重要和最困难的问题。文中将传统的最近邻分类方法与自组织神经网络相结合,提出了一种超声医学图像的自动分割方法。实验表明,与传统的K平均方法相比,该方法除具有自动分割优点外,还具有稳定性好,自适应强,分割准确等优点。     

一种基于约束优化的自动组卷算法

针对军事职业教育考试,提出了一种基于约束优化的自动组卷算法．该算法在试题库题目数量一定的情况下,自动实现约束优化．其在组卷成功率以及效率方面都有较大的改进．该算法已成功应用于军事职业大学教育考试系统．     

基于空间稀疏编码的MIL算法及刑侦图像分类

针对刑侦图像分类问题,提出一种基于空间稀疏编码（SSC）的多示例学习（MIL）算法。首先,利用稠密尺度不变特征转换（SIFT）原理设计一种带有示例位置信息的多示例建模方案,将刑侦图像分类问题转化为MIL问题;然后,基于多样性密度（DD）函数及稀疏编码（SC）理论,设计了一种针对MIL的字典构造方法及空间稀疏编码方案,用于计算多示例包的元数据（metadata）;最后,结合大尺度线性支持向量机方法,提出了一种SSC-MIL的MIL新算法。14类真实刑侦图像的对比实验表明,该算法是有效的,且分类精度高于其他方法。     

基于改进FCM算法和贝叶斯分类的图像自动标注

为跨越高层语义概念与底层视觉特征之间的语义鸿沟, 本研究提出一种新的图像自动标注方法。该方法首先采用灰度直方图方法对图像分割并提取图像区域的纹理特征, 然后利用FCM算法中增大关联度高的特征权重更好地实现对分割后图像区域的聚类效果。最后改进贝叶斯分类器建立图像区域和语义概念间的关联模型, 通过比较测试图像和训练图像间的最大相似度实现测试图像的自动标注。在Corel通用图像数据集上与其他几种方法进行了对比实验, 实验结果表明改进后的标注方法优于传统标注方法。     

基于本体的材料腐蚀图像标注方法

针对在基于内容的图像检索中怎样自动从图像中提取语义的问题,阐述了材料腐蚀图像本体组成方式以及基于本体的自动语义标注框架的建立过程,构建了视觉材料腐蚀特征本体处理方法,从而实现材料腐蚀图像的自动标注。