毕业论文

打赏
当前位置: 毕业论文 > 计算机论文 >

基于图模型的图像标注+文献综述

时间:2018-07-08 17:18来源:毕业论文
重点研究了基于图模型的语义标注问题,利用信息传播的思想对图像标注相关语义标签。本文重点研究了三种图模型方法,即K近邻(K-Nearest Neighbors,KNN)算法、稀疏图方法、以及K近邻

摘要随着互联网技术的迅速普及和发展,互联网上的图像数量迅速增加,如何能够在海量图像中寻找到用户满意的结果已成为一项十分有挑战性的任务。“语义鸿沟”即底层视觉特征和高层语义之间存在着不一致性,需要对图像内容进行分析与理解变得十分困难。为此,需要对图像进行语义标注,自动地理解图像的视觉内容。本论文重点研究了基于图模型的语义标注问题,利用信息传播的思想对图像标注相关语义标签。本文重点研究了三种图模型方法,即K近邻(K-Nearest Neighbors,KNN)算法、稀疏图方法、以及K近邻稀疏图方法。最后,本文在当前流行的数据集NUS-WIDE上对上述三种图构建方法进行了实验验证和分析。25434
关键字:语义鸿沟、图像标注、图像检索、图模型
毕业论文设计说明书外文摘要
Title      Graph-based Image Annotation                                              
Abstract
With the rapid popularization and development of Internet technology,the number of images on the Internet is increasing rapidly,so the question that how can we find the satisfying results in the mass of images has become a very challenging task.Semantic gap that exists inconsistencies between low-level visual and high-level semantic features makes image content analysis and understanding very difficult.To this end,we need to annotate images,and automatically understand the visual content of images.This paper focuses on the issue that graph-based image annotation,using the ideology of information dissemination to annotate semantic tags.This paper concentrates on three diagram model approach,namely K-Nearest Neighbors algorithm,sparse graph methods,and KNN sparse graph method.Finally,in the current popular data sets NUS-WIDE,this paper carries out experiment verification and analysis for the above three graph construction methods.
Keywords  Semantic gap  image annotation  image retrieval  graph model
目   次

1  绪论 1
1.1  研究背景与研究意义1
1.2  本论文的研究内容3
1.3  本文结构  3
2  图像标注技术的研究现状 4
2.1  概述   4
2.2  基于全局特征的图像标注方法4
2.3  基于区域划分的图像标注方法5
3  框架的提出与分析7
3.1  图像标注问题的分析7
3.2  图学习算法描述8
3.3  图学习算法的实现9
4  实验13
4.1  数据集13
4.2  评价指标13
4.3  实验设置14
4.4  实验结果14
4.5  实验分析18
5  工作总结与展望20
5.1  工作总结20
5.2  未来展望20
致谢 22
参考文献23
1  绪论
1.1  研究背景与研究意义
1.1.1  图像检索的发展
   随着互联网的不断发展以及图片数量的飞速增长,我们所拥有的信息也是越来越庞大。这些资源,不但有文本数据,而且还包括了海量的图像等多媒体信息。目前,因为数字化设备并不能实现对图库进行合理有效地管理,所以用户需用特定分类、检索等当面的技术对图像进行管理以及查询等操作。从而,如何准确并迅速的从海量图像中找到所需图像已成为近几年热议的话题之一。从图像的检索方式种类来看,我们可以将其分为三类:基于内容的图像检索(Content-based Image Retrieval,CBIR)、基于文本的图像检索(Tag-based Image Retrieval,TBIR)以及基于语义的图像检索[1]。 基于图模型的图像标注+文献综述:http://www.751com.cn/jisuanji/lunwen_19227.html
------分隔线----------------------------
推荐内容