检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

区域语义多样性密度的图像标注

中国图象图形学报 2014年第5期19卷 755-763页

作者：王方方蒋建国郭丹合肥工业大学计算机与信息学院合肥230009 安全关键工业测控技术教育部工程研究中心合肥230009

目的随着Web2.0下海量共享图像的出现,如何获取图像具有描述力的精准区域标注具有重要研究意义。方法提出一种基于区域语义多样性密度的图像标注框架,重点考虑区域间的视觉特征差异和空间结构差异。具体来说,基于距离相似度的特征多样... 详细信息

目的随着Web2.0下海量共享图像的出现,如何获取图像具有描述力的精准区域标注具有重要研究意义。方法提出一种基于区域语义多样性密度的图像标注框架,重点考虑区域间的视觉特征差异和空间结构差异。具体来说,基于距离相似度的特征多样性密度实现了区域特征语义标注;引入负相关示例的惩罚作用实现了区域空间关系语义及属性语义标注。结果在部分NUS-WIDE和MSRC数据集上验证了方法的有效性,区域属性标注的正确率在80%以上,同时基于属性标注的图像检索的平均查准率达到82%。结论实验结果表明,本文图像标注框架可以较精确地得到标注的相关语义区域和属性标注,能够有效解决区域标注问题。

关键词：多样性密度区域语义距离相似度空间位置属性标注

在线全文

学校读者我要写书评

暂无评论

基于联合多样性密度的汉语方言辨识

计算机工程与应用 2016年第10期52卷 161-166页

作者：顾明亮张世形张浩张宁江苏师范大学物理与电子工程学院江苏徐州221116 江苏师范大学语言科学学院江苏徐州221116

为了解决汉语方言模型设计较为单一的问题,提高方言辨识的效率,提出了一种基于联合多样性密度的汉语方言辨识方法。多样性密度算法是多示例学习中的一种经典算法,联合多样性密度算法是对其的改进应用。该方法首先将方言进行预分类为多... 详细信息

为了解决汉语方言模型设计较为单一的问题,提高方言辨识的效率,提出了一种基于联合多样性密度的汉语方言辨识方法。多样性密度算法是多示例学习中的一种经典算法,联合多样性密度算法是对其的改进应用。该方法首先将方言进行预分类为多个小类,然后将各小类方言进行多示例包生成,并通过期望最大多样性密度算法进行多示例学习,得到的多个多样性密度点作为方言的多示例模型,最后提出平均最近距离算法进行模式分类。该方法在训练模型时得到的方言模型更为全面、完整,在模式分类时考虑了未知包中每个示例的影响,提高了辨识系统的效率。

关键词：汉语方言辨识多示例学习多样性密度 k近邻平均最近距离

在线全文

学校读者我要写书评

暂无评论

基于改进多样性密度的图像标签定位与分析

基于改进多样性密度的图像标签定位与分析

作者：王方方合肥工业大学

学位级别：硕士

随着互联网的发展和数字技术的进步,网络图像资源与日剧增。如何对海量的图像资源进行高效的组织、管理和检索,成为信息检索领域的一大难题。计算机领域的学者们尝试通过图像标注的方法解决此类问题。针对图像级标注方法越来越难以解决... 详细信息

随着互联网的发展和数字技术的进步,网络图像资源与日剧增。如何对海量的图像资源进行高效的组织、管理和检索,成为信息检索领域的一大难题。计算机领域的学者们尝试通过图像标注的方法解决此类问题。针对图像级标注方法越来越难以解决互联网图像内容的高复杂性问题,本文在图像已经含有图像级层次的标签的前提下,研究如何在图像区域和标签之间建立匹配联系以实现标签定位,以及如何增添具有描述性的属性标签。这样可以更加全面、完整地描述图像内容,从而更好地利用图像标注解决图像检索问题。本文的主要工作和创新点如下：(1)概述了现有的图像标注方法,包括基于分类的图像标注、基于概率模型的图像标注和基于互联网数据集的图像标注。阐述了社会化媒体下的社会性标签处理的相关工作以及图像的底层视觉特征的提取过程。同时对基于多样性密度的图像标注方法进行了介绍。(2)提出了基于区域语义多样性密度的图像标注框架以获得全面的图像标签信息。首先,为了衡量图像的每个标签与图像各区域之间的相关程度,以得到标签的相关语义区域,本文提出了多样性密度标签定位方法,包括基于距离相似度的特征多样性密度方法DDSIM、基于区域位置的空间关系多样性密度方法DDL和综合多样性密度方法DDCom。这三种算法充分利用了区域间的视觉特征差异和空间结构差异,同时考虑负相关示例的惩罚作用,可以较准确的得到标签在图像中的相关区域。在此之后,通过区域属性语义标签对相关区域进行分析学习,得到对区域具有描述性的属性标签。(3)提出基于内容和语义的图像检索方法,该方法不仅使用图像的原始标签和属性标签作为图像的语义描述,还结合图像的底层视觉特征作为图像的内容描述,从而更好的利用图像的语义及内容信息,实现精准的图像检索。在NUS-WIDE和MSRC图像集上进行了大量实验。实验结果表明,本文图像标注框架可以较精确地得到标签的相关语义区域和属性标签,能够有效解决标签定位问题。同时,基于内容和语义的图像检索得到的检索结果比较符合用户的查询需求,具有较高的准确率和平均精度。

关键词：多样性密度区域语义属性标签图像标注图像检索

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

基于多样性密度的多示例学习方法

职业时空 2012年第7期8卷 73-75页

作者：黄谦张小俊河北北方学院河北张家口075000

结合多样性密度和带负类的支持向量数据描述,提出了一种能够有效解决多示例问题的算法：MIL-NSVDD_DD。该算法首先通过多样性密度算法找出多示例问题中最优示例模型,然后通过使用带负类的支持向量数据描述对示例模型进行训练,以得到最... 详细信息

结合多样性密度和带负类的支持向量数据描述,提出了一种能够有效解决多示例问题的算法：MIL-NSVDD_DD。该算法首先通过多样性密度算法找出多示例问题中最优示例模型,然后通过使用带负类的支持向量数据描述对示例模型进行训练,以得到最终的分类器,用得到的分类器再对新包进行预测。最后通过实验表明了该算法的有效性。

关键词：多示例学习多样性密度支持向量数据描述机器学习

在线全文

学校读者我要写书评

暂无评论

基于多样性密度的多示例学习方法

工业控制计算机 2012年第7期25卷 73-74,80页

作者：龙哲杭州电子科技大学图形图像研究所浙江杭州310018

结合多样性密度和带负类的支持向量数据描述,提出了一种能够有效解决多示例问题的算法:MIL-NSVDD_DD。该算法首先通过多样性密度算法找出多示例问题中最优示例模型,然后通过使用带负类的支持向量数据描述对示例模型进行训练,以得到最终... 详细信息

结合多样性密度和带负类的支持向量数据描述,提出了一种能够有效解决多示例问题的算法:MIL-NSVDD_DD。该算法首先通过多样性密度算法找出多示例问题中最优示例模型,然后通过使用带负类的支持向量数据描述对示例模型进行训练,以得到最终的分类器,用得到的分类器再对新包进行预测。最后通过实验表明了该算法的有效性。

关键词：多示例学习多样性密度支持向量数据描述机器学习

在线全文

学校读者我要写书评

暂无评论

基于显著点特征多示例学习的图像检索方法

光电子．激光 2008年第10期19卷 1405-1409页

作者：李杰程义民葛仕明曾丹中国科学技术大学电子科学与技术系安徽合肥230027

提出了一种基于图像显著点特征进行多示例学习(Multiple-instance learning)的图像检索方法。该方法对图像进行小波分解并跟踪不同尺度小波系数提取图像显著点;然后利用显著点特征进行检索,并在相关反馈中将图像看作多示例包,通过期望... 详细信息

提出了一种基于图像显著点特征进行多示例学习(Multiple-instance learning)的图像检索方法。该方法对图像进行小波分解并跟踪不同尺度小波系数提取图像显著点;然后利用显著点特征进行检索,并在相关反馈中将图像看作多示例包,通过期望最大多样性密度(EM-DD,expectation maximization diverse density)方法进行多示例学习,获得体现图像语义的目标特征。在Corel和SIVAL两个图像库进行实验,结果表明该方法明显提高了检索的准确性。

关键词：图像检索小波显著点多示例学习多样性密度

基于多示例学习的高分辨率遥感影像面向对象分类

在线全文

学校读者我要写书评

暂无评论

遥感信息 2012年第3期34卷 60-66页

作者：阿里木.赛买提杜培军国土环境与灾害监测国家测绘局重点实验室(中国矿业大学) 徐州221116

多示例学习以示例组成的包作为训练样本,学习的目的是预测新包的类型。从分类角度上,处理问题的策略类似于以均质对象为基本处理单元的面向对象影像分类。针对两者之间理论和方法相似性,将多样性密度多示例学习算法与面向对象方法相结... 详细信息

多示例学习以示例组成的包作为训练样本,学习的目的是预测新包的类型。从分类角度上,处理问题的策略类似于以均质对象为基本处理单元的面向对象影像分类。针对两者之间理论和方法相似性,将多样性密度多示例学习算法与面向对象方法相结合用于高分辨率遥感图像分类。以图像分割方法获取均值对象作为示例,利用多样性密度算法对样本包进行学习获取最大多样性密度示例,最后根据相似性最大准则对单示例包或是经聚类算法得到的新包进行类别标记,以获取最终分类结果。通过与SVM分类器的比较,发现多样性密度算法的平均分类精度都在70%以上,最高可达96%左右,且对小样本问题学习能力更强,结果表明多示例学习在遥感图像分类中有着广泛应用前景。

关键词：多示例学习多样性密度分类支持向量机

在线全文

学校读者我要写书评

暂无评论

基于直推式多示例学习的图像分类算法研究

基于直推式多示例学习的图像分类算法研究

作者：汪旗安徽大学

学位级别：硕士

随着多媒体、英特网等技术的快速发展,以及近年来数码产品的普及,产生的数字图像呈爆炸性地增长。如何对这样的海量数字图像进行有效地管理并将其应用到各个领域已经成为新的研究热点,其中如何对这些图像进行分类就是一个急待解决的重... 详细信息

随着多媒体、英特网等技术的快速发展,以及近年来数码产品的普及,产生的数字图像呈爆炸性地增长。如何对这样的海量数字图像进行有效地管理并将其应用到各个领域已经成为新的研究热点,其中如何对这些图像进行分类就是一个急待解决的重要问题。传统的图像分类方法通常基于人工标记,但这种方法存在着两个难以解决的问题：一是受制于人自身的因素,人工标记的图像往往带有强烈的主观性;二是人工标记图像工程浩大,费时费力,难以大量地进行。基于内容的图像分类技术发展于上个世纪九十年代,该方法通过提取图像的底层特征,再进行一系列的处理与学习,最终达到分类的目的。虽然基于内容的图像分类技术已经取得一些研究成果,但是已有的方法通常基于图像的单一特征进行处理,而图像中包含的内容通常不止一个,单一的特征不足以充分地描述图像,而多示例学习方法由于其特殊性可以很好的处理这个难题。本文在深入研究多示例学习及支持向量机的基础上,提出了两种新的多示例学习方法来解决图像分类问题。本文的主要研究内容如下：1、提出了一种基于直推式支持向量机技术的多示例学习算法DD-TSVM。该方法采用多样性密度算法寻找示例空间中的局部极值点,采用寻找到的局部极值点来构建特征空间,将包非线性映射到重新构建的特征空间中去,最后采用直推式支持向量机来训练分类器。该算法有效利用了未标记样本,基于Corel图像数据库的实验结果表明,DD-TSVM算法具有良好的性能。2、针对多示例学习训练数据中存在冗余数据的问题,提出了一种新的多示例学习算法DDRS-TSVM。该算法在DD-TSVM算法的基础上引入基于邻域的粗糙集技术来处理多示例学习训练数据,消除冗余数据对算法分类效果的影响,基于Corel图像集的实验结果表明,DDRS-TSVM算法效果较DD-TSVM算法有所提高。

关键词：多示例学习图像分类多样性密度属性约简直推式支持向量机

基于PTZ摄像机的运动目标跟踪算法研究与实现

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PTZ摄像机的运动目标跟踪算法研究与实现

作者：宗伟伟东北大学

学位级别：硕士

基于PTZ摄像机的运动目标跟踪（又称为主动目标跟踪）是指：在一个序列图像的每幅图像中找到所感兴趣的目标所处的位置,并根据控制策略实时控制PTZ摄像机转动或缩放,使目标永远处于视野的中心区域,并且可以看到目标的局部细节。主动目... 详细信息

基于PTZ摄像机的运动目标跟踪（又称为主动目标跟踪）是指：在一个序列图像的每幅图像中找到所感兴趣的目标所处的位置,并根据控制策略实时控制PTZ摄像机转动或缩放,使目标永远处于视野的中心区域,并且可以看到目标的局部细节。主动目标跟踪是计算机视觉研究的核心内容,在军事视觉制导、机器人视觉导航、交通监视等领域有着重要的实用价值和广阔的发展前景。由于外界光照变化、跟踪目标的形变、目标被遮挡和PTZ摄像机的控制等因素,使得基于PTZ摄像机的目标跟踪成为一个极富挑战性的课题。本文首先分析了目前常用于PTZ跟踪的两种方法：Mean Shift和粒子滤波,主要介绍了它们在跟踪中的应用和各自的优缺点。然后针对目前常用的PTZ跟踪方法只考虑了目标本身,而忽略了目标周围的背景信息,引入了在线学习的跟踪方法,重点介绍了基于在线AdaBoost分类器的跟踪方法原理。由于更新AdaBoost分类器需要很长时间,然而跟踪过程中必须要求实时性,所以本文把已成功应用于实时车载识别的一种在线更新AdaBoost分类器的方法用于跟踪中。实验验证了该算法的有效性并且跟踪效果要好于Mean Shift跟踪方法。但是,基于在线AdaBoost分类器的跟踪方法会导致误差的积累和分类器精度的下降,从而产生跟踪框的漂移。针对这一问题,本文讨论了另外一种分类器—MILBoost分类器,并在此基础上提出了基于在线MILBoost分类器的粒子滤波方法。最后实验表明,此方法优于基于AdaBoost分类器的跟踪方法,同时也将此方法和基于颜色和梯度的粒子滤波算法进行了比较,跟踪结果也显示了本文提出的方法效果更好。本文构建了基于PTZ摄像机的跟踪控制系统。首先分析了PTZ摄像机控制协议,根据PTZ跟踪控制的任务和困难,制定了模糊控制策略。然后把基于在线MILBoost的粒子滤波方法用于此系统中,最后用实验验证了系统的有效性。

关键词：目标跟踪在线学习 AdaBoost分类器多样性密度 MILBoost分类器