基于内容的图像检索中若干机器学习问题研究

论文摘要

随着图像获取设备的普及和数字存储设备成本的降低,大量未经组织的数字图像出现在互联网上和个人电脑中。如何组织管理数字图像,并在需要时进行高效的检索和浏览,已成为一个重要的应用问题。本文在基于内容的图像检索应用背景下,从以下三个方面提出并解决了若干相关的机器学习问题,从而提高了图像检索算法的性能,减少了图像检索过程中所需的用户操作,改善了用户体验。首先,在用户对整张图片标注正确与否的相关反馈机制下,本文提出了在允许用户一次标注多张图片时如何选择最优的图片集的问题,并通过基于采样的主动学习算法解决了这一问题。和传统的基于贪婪优化的主动学习算法相比,减少了达到同等检索性能所需的用户标注工作量。其次,本文提出了基于用户在图片内部画线的新型相关反馈机制,使得用户可以方便的输入更细致具体的感兴趣区域信息,从而为检索算法提高性能提供了更大的空间。本文还提出了将基于用户画线和基于对单张图片标注两种相关反馈方法结合起来的统一框架。第三,为进一步提高单纯依靠底层视觉特征进行图像检索的性能,本文提出首先利用底层视觉特征对图像进行文字标注,然后利用文字标注进行检索。由于这样的标注过程利用了更多的监督信息,因此产生的文字标注比视觉特征更接近图像的真实语义,基于这些标注的图像检索算法会具有更好的性能。另外,本文介绍了课题进行期间设计并实现的图像检索系统。该系统作为一个通用平台,可以完成图片下载、索引、特征提取、检索等典型图像检索系统的功能,并可以方便的替换各个步骤中使用的算法,从而为尝试新的算法并测试其性能提供了便利。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景与研究意义
• 1.2 基本概念与热点问题
• 1.2.1 特征提取
• 1.2.2 请求形成
• 1.2.3 排序算法
• 1.2.4 语义鸿沟
• 1.2.5 相关反馈
• 1.3 主要工作与章节安排
• 第2章 基于批量主动学习的相关反馈
• 2.1 问题提出
• 2.2 相关工作
• 2.3 算法框架
• 2.4 变型空间的减小
• 2.4.1 变型空间的概念
• 2.4.2 SVM变型空间的对偶性及几何解释
• 2.4.3 变型空间的减小与SVM主动学习
• 2.4.4 期望的变型空间减小量
• 2.5 在变型空间中采样
• 2.6 基于批量主动学习的相关反馈
• 2.6.1 以一定置信概率达到最优
• 2.6.2 使用候选集
• 2.6.3 最终算法
• 2.7 计算复杂度分析
• 2.8 实验结果
• 2.8.1 棋盘格人工合成数据
• 2.8.2 实际数据
• 2.9 本章小结
• 第3章 基于在图片内部绘制线条的相关反馈
• 3.1 相关工作
• 3.2 相关反馈机制设计
• 3.3 相关反馈信息获取
• 3.4 与传统方法的结合
• 3.4.1 估计区域的软标签
• 3.4.2 估计图像的软标签
• 3.5 协作式的图像分割
• 3.5.1 算法动机
• 3.5.2 分割算法
• 3.6 系统实现
• 3.7 实验结果
• 3.8 本章小结
• 第4章 基于底层视觉特征的图像标注
• 4.1 问题的提出
• 4.2 基于隐语义模型的图像标注与检索
• 4.2.1 基于Bag of Words的图像表示
• 4.2.2 概率隐语义分析方法
• 4.2.3 概率隐语义分析与图像距离度量
• 4.2.4 初步实验结果
• 4.3 基于非参数条件随机场的物体分割
• 4.3.1 马尔可夫随机场（MRF）和条件随机场（CRF）
• 4.3.2 CRF分割算法
• 4.4 本章小结
• 第5章 图像检索系统的设计和实现
• 5.1 设计目标
• 5.2 数据层设计
• 5.3 逻辑层设计
• 5.4 表示层设计
• 5.5 本章小结
• 第6章 结论
• 6.1 主要贡献
• 6.2 研究展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果