基于统计学习的多层医学图像语义建模方法

提出一种在小样本的情况下,基于多层贝叶斯网络的医学图像语义建模方法.该方法采用支持向量机实现从低层视觉特征到对象语义的映射,使用贝叶斯网络融合对象语义,提取高级语义,从而建立一个多层医学图像语义模型,可支持多层次的医学图像语义自动标注及其检索.将该方法用于星形细胞瘤恶性程度的语义提取,并建立一个多层语义模型.实验表明,该模型与使用K近邻分类器或高斯混合模型取代SVM的语义模型相比,查全率有明显的提高.

基于深度神经网络的图像语句转换方法发展综述

在当前大数据时代,图像由于具有丰富的语义而成为大众获取相关信息的重要来源。基于深度模型的图像语义分析是一种通过深度模型将图像内容转换成可直观理解的语义知识的技术,受到了国内外研究者的广泛关注。该技术根据生成目标语义层次的差异,可分为单类别、多标签和语句3类。首先介绍了以上3类方法对应的深度模型的结构特点,并从技术的演化趋势角度对比分析了3类方法的技术特点和发展现状;然后重点对图像语句转换方法的发展现状、应用场景与性能要求的差异进行了论述,同时对图像语句转换方法的步骤进行分解和论述,从学术界和产业界两方面进行了详细的对比分析,指出了二者的不同研究侧重点与对应的发展现状;最后对具有深度模型的图像语句转换方法进行了总结和展望,指明了该方法当前存在的问题与发展趋势。

基于图像语义的用户兴趣建模

【目的】社交网络环境下的用户兴趣建模是好友推荐、精准营销的关键,利用微博用户分享的图像,提出一种基于图像语义的用户兴趣建模方法,旨在更加准确地预测用户的真实兴趣。【方法】在获取新浪微博用户图像数据的基础上,使用图像的高层语义表达用户兴趣特征,基于这些特征使用SVM训练得到图像语义分类器进行预测。【结果】实验结果表明,本文建立的模型能够较为准确地预测用户真实兴趣,169位用户分类的准确率达到97.38%,召回率为98.92%,F值为98.14%。【局限】由于实验图像数据集有限,未能完整地覆盖用户所有的兴趣类别。【结论】该模型能够基于用户分享的图像较为准确地预测用户兴趣,表明了图像高层语义的有效性,同时为图像高层语义应用研究提供了一定的理论和技术基础。