毕业论文

打赏
当前位置: 毕业论文 > 电子通信 >

图像标注中的高效用户反馈技术研究

时间:2017-06-10 11:33来源:毕业论文
人工标记也保证了标记的准确性。和机器标注法相比,我们的新方案更加灵活、普遍和有效,这对有语义 鸿沟的标签更是如此。在NUS-WIDE资料库中的实验表明这种快速的人工标记法相较

摘要和自动标记法有着相同的目的——缩减人的劳动量,在本论文中我们提出了一种新颖的方法(框架)来人工标记大量的图片。在此框架下,我们用一种动态多尺度集群标记的策略来人工标记相似图像区域的集群。由于用户标记的是多尺度的图形局部区域的集群而不是单独的一张图片,这样就实现了一次少量的人工标记动作同时就能标记成百上千的图片。同时,人工标记也保证了标记的准确性。和机器标注法相比,我们的新方案更加灵活、普遍和有效,这对有语义 鸿沟的标签更是如此。在NUS-WIDE资料库中的实验表明这种快速的人工标记法相较于自动标记法更有效,在一定程度上也更有效率。关键词大规模,图像,人工标记毕业设计说明书(论文)外文摘要10029
题目: 图像标注中的高效用户反馈技术研究
Abstract:
Targeting the same objective of alleviating the manual work as automatic annotation, in this paper, we propose a novel framework with minimal human effort to manually annotate a large-scale image corpus. In this framework, a dynamic multi-scale cluster labeling strategy is proposed to manually label the clusters of similar image regions. The users label the multi-scale clusters of regions instead of inpidual images, thus each labeling operation can annotate hundreds or even thousands of images simultaneously with much reduced manual work. Meanwhile the manual labeling guarantees the accuracy of the labels. Compared to automatic annotation, the proposed framework is more flexible, general and effective, especially for annotating those labels with large semantic gaps. Experiments on NUS-WIDE dataset demonstrate that the proposed fast manual annotation framework is much more effective than automatic annotation and comparatively efficient.
Key Words:
Large-scale, Image, Manual Annotation
目录
摘要    I
关键词    I
Abstract:    II
Key Words    II
1.    简介    1
2.    多尺度集群标注    3
2.1 框架预览    3
2.2动态多尺度聚类标记    4
2.3  算法与相关技术介绍    8
3.    多尺度集群标注的实现    15
3.1  Visual C++ 6.0    15
3.2   matlab2010    15
3.3    visual studio 2005    16
4.    实验评估    17
5.    结论    19
6 致谢:    19
7 参考文献:    20
1.     简介
如何有效和高效地索引和搜索图片已成为多媒体界日益紧迫的研究课题。传统的图片搜索模型利用图片取样进行查询,但许多用户发现简单的图像取样搜索不能满足他们的搜索需求。更多的用户偏向于用文本查询的方法来寻找图片,比如“帮我查找草地上的老虎”的图片。因此描述图像主要内容的语义标签在排列图片时是被强烈要求的。
人工标记法是获得语义标签的一种直接方法。然而,一个一个准确地标记图片是劳动力非常大也非常耗费时间的做法。因此自动图像标记法正获得越来越多的研究以促进基于语义的图像搜索。近年来很多研究工作运用机器学习技术,致力于提高自动识别的判别能力。然而近来的工作依然没有有效解决语义鸿沟的问题。举个例子,图像1中有14张随机选取的“狗”的图片,这些狗有非常不同的低级特征:颜色、外形、纹理,以及不同的背景。因此建立一个准确地有高适用性的模型来标记大规模的图片几乎是不可能的。一般说来,如果在教练组中没有相似或辅助的图片,建立一个准确地自动图像标记系统是非常困难的。 图像标注中的高效用户反馈技术研究:http://www.youerw.com/tongxin/lunwen_8938.html
------分隔线----------------------------
推荐内容