局部亮度与语义关系对真实情景识别的影响

以真实情景图片为材料,探讨局部亮度与语义关系对情景识别的影响,以及情景背景线索和语义关系的获得。实验一结果显示,被试对有无语义关系情景图片的识别反应时存在显著差异,且对拼接图片的识别正确率更高,反应时更短。实验二探讨了局部亮度与呈现时间变化条件下情景背景线索和语义关系的获得。结果发现,情景语义关系和背景信息的获得受到局部亮度变化和呈现时间的影响。这表明,语义关系和呈现时间对情景识别存在显著影响,而且这种影响与情景背景线索和语义关系的获得有关。呈现时间越长,越易获得情景语义关系。局部亮度变化越小,背景线索越易获得,呈现时间的影响越小。

基于深度学习的场景识别方法综述

随着深度学习的快速发展,基于深度学习的场景识别方法逐渐取代传统的基于手工特征的场景识别方法,成为未来研究的主要方向。针对基于深度学习的场景识别方法,对基本思想进行了总结,将其大体分为以下四类:深度学习与视觉词袋结合场景识别法、基于显著部分的场景识别法、多层特征融合场景识别法、融合知识表示的场景识别法,分析了各个方法的特点及局限性,并对识别效果进行了比较,最后对未来研究方向进行展望。

基于四层树状语义模型的场景语义识别方法

场景分类的主要方法是基于底层特征的方法和基于视觉词包模型的方法,前者缺乏语义描述能力并且时间复杂度大,后者识别率低。借鉴两类方法的优势,提出了基于四层树状语义模型的场景语义识别新方法。四层语义模型包括视觉层(图像的底层特性)、概念层(场景实物的名称)、关系层和语义层。提取训练样本场景实物的颜色、颜色层次和轮廓得到视觉层;同类场景中实物的名称(概念单词)的交集构成了概念层;统计概念单词的频率并对概念单词的空间位置关系进行关联规则的数据挖掘得到关系层;计算关键概念单词与PSB标准模型语义属性分类树的语义相似度得到场景高层语义。计算测试样本的底层特征后,通过视觉层的检索得到概念单词。通过概念单词的频率和空间位置关系关联规则的检索得到场景分类。由场景分类、场景高层语义、场景概念单词构成场景语义的识别结果。实验显示:新方法提高了识别率,降低了识别时间,并且具有场景高层语义的描述能力。