检索结果-南通市图书馆

计算机辅助设计与图形学学报 2024年

作者：胡云青陈强龙张寅浙江大学计算机科学与技术学院

现有多标签图像识别方法主要利用深层特征，忽略了多层次特征交互; 由于物体类别、布局、尺度等差异性较大，现有针对单标签图像识别的区域建议方法无法充分挖掘多标签图像中语义多样性强的局部区域. 为此，提出一种基于语义感知增... 详细信息

现有多标签图像识别方法主要利用深层特征，忽略了多层次特征交互; 由于物体类别、布局、尺度等差异性较大，现有针对单标签图像识别的区域建议方法无法充分挖掘多标签图像中语义多样性强的局部区域. 为此，提出一种基于语义感知增强区域金字塔模型的多标签图像识别方法，通过有效地融合不同层次的图像特征，生成适应于多尺度目标的感兴趣区域. 该方法引入2个互补的阶段: 在全局阶段，通过双路径特征融合金字塔对多层次特征进行编码，有效地融合深层语义信息与浅层细节信息; 在局部阶段，利用语义感知区域建议模块和区域调整模块获得具有高度语义多样性和判别性的感兴趣区域. 通过联合多个局部区域与全局图像的监督学习，所提方法在MS-COCO和VOC 2007等基准数据集的评测中取得了显著的效果提升， mAP指标分别提升4.3和4.2个百分点; 在缺失标签场景下的多标签学习中，该方法也以明显的优势超越了同类方法.

关键词：多标签图像识别多层次特征区域建议语义感知标签缺失

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于自适应多尺度图卷积网络的多标签图像识别

引用

控制与决策 2022年第7期37卷 1737-1744页

作者：王雪松荣小龙程玉虎陈正升中国矿业大学地下空间智能控制教育部工程研究中心江苏徐州221116 中国矿业大学信息与控制工程学院江苏徐州221116

利用一阶谱图卷积探索类别标签间关系是目前多标签图像识别常用的手段,但是,较多的图卷积层数易出现过度平滑现象,使得该方法存在局限性.为此,提出一种基于自适应多尺度图卷积网络的多标签图像识别方法,主要思路为:采用块Krylov子空间... 详细信息

利用一阶谱图卷积探索类别标签间关系是目前多标签图像识别常用的手段,但是,较多的图卷积层数易出现过度平滑现象,使得该方法存在局限性.为此,提出一种基于自适应多尺度图卷积网络的多标签图像识别方法,主要思路为:采用块Krylov子空间形式的谱图卷积来挖掘类别标签间的相关性,在每个图卷积层中拼接多尺度信息并扩展到深层结构,并在自适应标签关系图模块所构建的关系图上学习分类器,从而更加有效地进行多标签图像识别.通过两个公开数据集PASCAL VOC 2007和MS-COCO 2014上的实验结果验证了所提出方法的有效性.

关键词：自适应关系图多尺度图卷积网络多标签图像识别块Krylov子空间

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于图神经网络的多标签图像识别

基于图神经网络的多标签图像识别

引用

作者：李为哈尔滨工业大学

学位级别：硕士

现实世界中的图像,通常是以多标签形式存在的,使得多标签图像识别成为了一项重要的计算机视觉技术,有着较为广泛的应用场景。对比传统的单标签图像识别,多标签图像由于存在复杂多变的对象,以及巨大的标签组合空间,变得十分具有挑战性。... 详细信息

现实世界中的图像,通常是以多标签形式存在的,使得多标签图像识别成为了一项重要的计算机视觉技术,有着较为广泛的应用场景。对比传统的单标签图像识别,多标签图像由于存在复杂多变的对象,以及巨大的标签组合空间,变得十分具有挑战性。多标签图像中每一个标签可能体现为多个实体,同时每个实体由不定数量的、不规则分布的像素构成。因此,对于不同位置的像素点,由于共同参与同一个标签的构成而具有关联关系,即不同像素点之间存在着位置相关性。为了增强具有关联关系的像素点之间的特征交互,本文提出了基于图神经网络的方法来建模每张图像中的位置相关性,使得具有位置相关性的像素点之间能够更好地进行语义特征交互。同时,基于位置相关性,进一步使用简单高效的解耦注意力机制,为每个标签从全局特征中提取到具有区分性的标签感知特征,从而利于模型对于图像中每个标签进行识别,以此提升模型的识别性能。图像上共同出现的标签,往往具有语义层面的相关性。在进行位置相关性建模后,为了捕捉不同标签之间的相关性,本文进一步提出基于位置和标签双重相关性的多标签图像识别算法,来学习位置相关性和标签相关性。对于两种不同的相关性信息,可以在统一的模型框架中进行一致地端到端学习,并且相互促进,协同优化。对于标签相关性学习模块,本文也提出了一种简单有效的损失函数来进行中继监督,更好地引导模型对于标签相关性的学习,进而提升多标签图像识别任务的性能。本文实验使用的数据集为Microsoft COCO和Pascal VOC 2007,这两个数据集是多标签图像识别领域最权威、使用最广泛的数据集。本文进行了详尽的对比实验,提出的基于位置相关性的多标签图像识别算法,在Microsoft COCO和Pascal VOC 2007两个数据集上进行实验,在m AP性能指标上,相比于基础Baseline模型分别提升了4.3%和1.4%。对于提出的基于位置和标签双重相关性的多标签图像识别算法,在性能上取得了进一步提升,相比于基础Baseline模型分别提升了4.8%和1.7%,为与当前最好方法可比的结果。

关键词：多标签图像识别图神经网络位置相关性标签相关性

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度图卷积的多标签图像识别

基于深度图卷积的多标签图像识别

引用

作者：荣小龙中国矿业大学

学位级别：硕士

多标签图像中所包含的语义信息极为丰富,在对多标签图像进行识别时,不仅需要考虑观察角度、光照度、图像的尺度比例以及图像中各语义对象之间的遮挡等方面所带来的复杂性和挑战性,还需对各个语义区域间的关联性进行建模;同时,为完成高... 详细信息

多标签图像中所包含的语义信息极为丰富,在对多标签图像进行识别时,不仅需要考虑观察角度、光照度、图像的尺度比例以及图像中各语义对象之间的遮挡等方面所带来的复杂性和挑战性,还需对各个语义区域间的关联性进行建模;同时,为完成高精度多标签图像识别任务,类别标签间所存在的隐含关系也不可忽略。针对以上问题,本文围绕基于深度图卷积网络的多标签图像识别方法开展以下研究工作:1.针对以往多标签图像识别方法仅在分类过程中考虑了类别标签间的相关性,而未在视觉特征提取过程中利用标签所含类别关系知识的问题,提出了一种基于知识融合的多标签图像识别方法。首先,设计一个知识融合模块,该模块在对输入图像进行视觉特征提取的过程中,利用深度图卷积网络对标签间存在的关系进行学习,并将学习到的标签关系知识与Res Net-101主干网络的每个卷积阶段所输出的视觉特征相融合;然后,通过深度图卷积网络对标签关系图中各节点所含有的类别标签信息进行聚合,学习出类别相关联的分类器;最后,将所学习到的分类器对具有标签关系知识的视觉特征进行分类,进而完成多标签图像识别。2.针对以往多标签图像识别方法中仅采用一阶谱图卷积对标签相关性进行学习,以及忽略标签关系图中节点自身信息的重要性而导致过度平滑的问题,提出了一种基于自适应多尺度图卷积网络的多标签图像识别方法。首先,利用自适应关系图模块自动构建类别标签关系图,同时采用块Krylov子空间形式的多尺度图卷积网络对类别相关性进行建模,从而充分利用多尺度信息以使多层次特征互补;然后,为了使模型在对各节点信息进行融合时充分考虑节点自身信息的重要性,在邻接矩阵中赋予节点自连接以更大的权重,进而解决过度平滑问题并更好地挖掘标签相关性;最后,将所得类别相关的分类器应用于Res Net-101主干网络提取的图像特征,进而完成多标签图像识别。本文分别在PASCAL VOC 2007数据集和MS-COCO 2014数据集上对所提方法的多标签图像识别效果进行了验证,并且研究了相关参数对识别效果的影响,最后将所提方法的识别效果与其他方法进行了对比,实验结果证明了本文方法具有更好的多标签图像识别性能。该论文总共含有图20幅,表格6个,参考文献87篇。

关键词：多标签图像识别图卷积网络知识融合自适应关系图块Krylov子空间

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图神经网络的多标签图像识别

基于图神经网络的多标签图像识别

引用

作者：雷宏宇北京化工大学

学位级别：硕士

多标签图像识别是计算机视觉领域中一项基础而实用的任务,其目的是同时对图像中存在的多个物体进行预测。因其广泛应用于属性划分、目标检测、搜索引擎等实际场景中,所以该任务具有巨大的研究价值。相较于传统的单标签图像识别,由于多... 详细信息

多标签图像识别是计算机视觉领域中一项基础而实用的任务,其目的是同时对图像中存在的多个物体进行预测。因其广泛应用于属性划分、目标检测、搜索引擎等实际场景中,所以该任务具有巨大的研究价值。相较于传统的单标签图像识别,由于多标签任务中的图像包含丰富的语义信息,因此建模变得十分具有挑战性。建模标签之间的相关性是多标签图像识别任务中的核心研究课题,并且随着深度学习中图神经网络的快速发展,加快了多标签图像识别的研究进程,对于标签相关性的学习也提出了新的思路。基于相关内容的研究,本文提出一种利用图注意力网络(GAT)的多标签图像识别算法,该算法首先设计了一个基于GAT网络的标签分类器模块,该模块将Glove模型训练的词向量作为标签节点的先验输入,并且采用余弦相似性的方法自适应的生成标签关系图,同时GAT网络利用掩码机制自动为邻域节点分配不同的权重参数,进而对标签关系图中各节点所含有的标签类别聚合生成具有标签相关性的分类器;然后通过ResNet-101网络对图像进行特征提取,获得图像的视觉特征;最后,将学习到的标签分类器和图像的视觉特征结合,进而完成多标签图像识别,以此提升识别性能。以往的多标签图像识别方法结合标签分类器矩阵和图像视觉特征时,往往采用点积方式简单的进行融合,忽略了不同模态之间的复杂交互而严重限制了模型的收敛速度和识别精度。针对这一问题,本文在基于GAT网络的多标签图像识别算法的基础上,引入了多模态因子分解双线性池化(MFB)作为融合交叉模态嵌入的有效工具,提出了一种基于GAT的多模态融合快速多标签图像识别算法,该算法由三个关键模块组成:(1)图像视觉特征提取模块,利用ResNet-101学习并生成图像视觉特征;(2)标签分类器学习模块,该模块首先利用单词嵌入技术获得标签向量,然后采用GAT网络学习到具有标签相关性的分类器;(3)MFB模块,该模块设计了适用于多标签图像识别任务的MFB融合模型,并通过级联多个的MFB进而有效的融合分类器和图像特征,以此完成多标签图像识别并提高识别性能。为验证所提算法的有效性,分别在国际权威数据集Pascal VOC2007和MS-COCO2014上完成实验并与目前的优秀算法进行了比较,证明了本算法在提高多标签图像识别精度和加快模型收敛速度方面是较为优异的。

关键词：机器学习图注意力网络多模态融合标签相关性多标签图像识别

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向多标签小样本学习的双流重构网络

引用

计算机科学 2022年第1期49卷 212-218页

作者：方仲礼王喆迟子秋华东理工大学信息科学与工程学院上海200237

多标签图像分类问题是计算机视觉领域的重要问题之一,它需要对图像中的所有标签进行预测。而一幅图像中待分类的标签个数往往不止一个,同时图像中对象的大小、位置和姿态的变化都会对模型的分类性能产生影响。因此,如何有效地提高图像... 详细信息

多标签图像分类问题是计算机视觉领域的重要问题之一,它需要对图像中的所有标签进行预测。而一幅图像中待分类的标签个数往往不止一个,同时图像中对象的大小、位置和姿态的变化都会对模型的分类性能产生影响。因此,如何有效地提高图像特征的准确表达能力是一个亟需解决的难题。针对上述难题,文中提出了一个新颖的双流重构网络来对图像进行特征抽取。具体而言,该模型首先应用一个双流注意力网络来对图像进行基于通道信息和空间信息的特征提取,并经过特征拼接使得图像特征同时兼顾通道特征细节信息和空间特征细节信息。其次,该模型引入了重构损失函数,对双流网络进行特征约束,迫使上述两种分歧特征具有相同的特征表达能力,以此促使提取的双流特征共同向真值特征迫近。在基于VOC 2007和MS COCO多标签图像数据集上的实验结果表明,所提出的双流重构网络能够准确有效地提取出显著特征,并产生更好的分类精度。同时,鉴于重建损失对模型的解拟合作用,将该方法应用在小样本场景上,实验结果显示,所提模型对小样本数据同样具有较好的分类精度。

关键词：多标签图像识别特征重构深度学习小样本学习图像注意力机制

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：