基于标注词语义与图像视觉的标签丰富算法

针对社会化图像初始标注不完备、不准确的问题,提出了一种基于标注词语义与图像视觉信息的社交图像标签丰富算法.该算法融合词频共现和Word Net语义层级两种方式挖掘标签之间的潜在联系,并由此根据已有的标注信息获取候选标签;再综合图像视觉特征和高层语义主题计算图像内容相似度,确定图像间的近邻关系;最后基于近邻图像和候选标签构造了一种新的软近邻投票规则,以刻画候选标签是否真正能描述图像内容.在数据集MIRFlickr-25k上进行实验,系统地比较了不同语义相似度和图像相似度度量方法对实验结果的影响,通过分析实验数据发现,所提出的方法能够有效实现标签丰富,提升标签质量.

丰富图像标签的正则化非负矩阵分解方法

目的随着Web2.0技术的进步,以用户生成内容为中心的社交网站蓬勃发展,也使得基于图像标签的图像检索技术越来越重要。但是,由于用户标注时的随意性和个性化,导致用户提交的图像标签不够完备,降低了图像检索的准确性。方法针对这一问题,提出一种正则化的非负矩阵分解方法来丰富图像欠完备的标签,提高图像标签的完备性。利用非负矩阵分解的方法将原始的标签—图像矩阵投影到潜在的低秩空间里消除噪声,同时利用图像的类内视觉离散度作为正则化项提高消除噪声、丰富标签的效果。结果利用从社交网站Flickr上下载的大量社交图像进行对比实验,验证了本文方法对丰富图像标签的有效性。通过对比目前流行的优化算法,本文算法获得较高的性能提升,算法平均准确度提高了12.3%。结论将图像类内视觉离散度作为正则化项的非负矩阵分解算法,能较好地丰富社交图像的标签,解决网络图像标签的欠完备问题。