太阳城集团

  • / 14
  • 下载费用:30 金币  

一种基于距离测度学习的AP聚类图像标注方法.pdf

摘要
申请专利号:

太阳城集团CN201611070606.8

申请日:

2016.11.29

公开号:

CN106778834A

公开日:

2017.05.31

当前法律状态:

实审

有效性:

审中

法律详情: 实质审查的生效IPC(主分类):G06K 9/62申请日:20161129|||公开
IPC分类号: G06K9/62 主分类号: G06K9/62
申请人: 北京太阳城集团科技大学; 首都师范大学
发明人: 吕学强; 周建设; 董志安; 王浩
地址: 100192 北京市海淀区清河小营东路12号
优先权:
专利代理机构: 代理人:
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

太阳城集团CN201611070606.8

授权太阳城集团号:

|||

法律状态太阳城集团日:

太阳城集团2017.06.23|||2017.05.31

法律状态类型:

太阳城集团实质审查的生效|||公开

摘要

太阳城集团本发明涉及一种基于距离测度学习的AP聚类图像标注方法,包括以下步骤:步骤1)进行半监督的距离测度学习,得到新的距离测度;步骤2)利用所述新的距离测度进行AP聚类标注。本发明提供的基于距离测度学习的AP聚类图像标注方法,提出了一种基于距离测度学习的AP聚类标注模型,将图像底层视觉特征和图像的语义特征融合起来,有效解决了一些相同语义的图像底层特征差别却很大,语义不同的图像底层特征却相似所造成的“语义鸿沟”,明显提高了标注精度,并且本发明改进的AP聚类标注模型较其他基于分类器的标注模型在多种特征中mAP值都提高了至少0.03,可以很好地满足实际应用的需要。

权利要求书

1.一种基于距离测度学习的AP聚类图像标注方法,其特征在于,包括以下步骤:
步骤1)进行半监督的距离测度学习,得到新的距离测度。
步骤2)利用所述新的距离测度进行AP聚类标注。
2.根据权利要求1所述的步骤1),其特征在于,所述步骤1)包括:借助图像类别标注信
息,采用半监督的距离测度学习方法,学习到新的距离测度矩阵M;所述步骤1)具体为:
选取语义相同的图像和语义不同的图像作为训练样本;
假设语义相同图像的训练样本集合表示为A{(fi1,fi2)}m(其中i=1……m,m表示相同语
义图像训练样本个数,fi1和fi2分别表示语义相同的两个图像的底层特征)。A集合中每一对
训练样本按照式(3)表示为
<mrow> <msubsup> <mi>d</mi> <mrow> <mi>a</mi> <mi>b</mi> </mrow> <mi>M</mi> </msubsup> <mo>=</mo> <msup> <mrow> <mo>(</mo> <mrow> <mover> <msub> <mi>x</mi> <mi>a</mi> </msub> <mo>&RightArrow;</mo> </mover> <mo>-</mo> <mover> <msub> <mi>x</mi> <mi>b</mi> </msub> <mo>&RightArrow;</mo> </mover> </mrow> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mo>&CenterDot;</mo> <mi>M</mi> <mo>&CenterDot;</mo> <mrow> <mo>(</mo> <mrow> <mover> <msub> <mi>x</mi> <mi>a</mi> </msub> <mo>&RightArrow;</mo> </mover> <mo>-</mo> <mover> <msub> <mi>x</mi> <mi>b</mi> </msub> <mo>&RightArrow;</mo> </mover> </mrow> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
语义不同的图像的训练样本集合B{(fj1,fj2)}n(其中j=1……n,n表示不同语义图像训
练样本的个数,fi1和fi2分别表示语义不同的两个图像的底层特征)。B集合中每一对训练样
本按照所述式(3)表示为
定义如下目标函数:
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>M</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mi>min</mi> <mi>M</mi> </munder> <mo>{</mo> <mrow> <munder> <mi>max</mi> <mrow> <mi>i</mi> <mn>1</mn> <mo>&NotEqual;</mo> <mi>i</mi> <mn>2</mn> </mrow> </munder> <mrow> <mo>(</mo> <msubsup> <mi>d</mi> <mrow> <msub> <mi>i</mi> <mn>1</mn> </msub> <msub> <mi>i</mi> <mn>2</mn> </msub> </mrow> <mi>M</mi> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <munder> <mi>min</mi> <mrow> <mi>j</mi> <mn>1</mn> <mo>&NotEqual;</mo> <mi>j</mi> <mn>2</mn> </mrow> </munder> <mrow> <mo>(</mo> <msubsup> <mi>d</mi> <mrow> <msub> <mi>j</mi> <mn>1</mn> </msub> <msub> <mi>j</mi> <mn>2</mn> </msub> </mrow> <mi>M</mi> </msubsup> <mo>)</mo> </mrow> </mrow> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
根据式(5)将式(4)中的和近似转化为和
<mrow> <mi>max</mi> <mo>{</mo> <msub> <mi>a</mi> <mn>1</mn> </msub> <mo>,</mo> <mo>...</mo> <msub> <mi>a</mi> <mi>n</mi> </msub> <mo>}</mo> <mo>&le;</mo> <msub> <mi>log&Sigma;</mi> <mi>i</mi> </msub> <msup> <mi>e</mi> <msub> <mi>a</mi> <mi>i</mi> </msub> </msup> <mo>&le;</mo> <mi>max</mi> <mo>{</mo> <msub> <mi>a</mi> <mn>1</mn> </msub> <mo>,</mo> <mo>...</mo> <msub> <mi>a</mi> <mi>n</mi> </msub> <mo>}</mo> <mo>+</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mo>(</mo> <mn>5</mn> <mo>)</mo> <mo>;</mo> </mrow>
最后,求解新测度矩阵M,将(4)式转化为如下形式:
<mrow> <msup> <mi>G</mi> <mo>,</mo> </msup> <mrow> <mo>(</mo> <mi>M</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mi>min</mi> <mi>M</mi> </munder> <mo>{</mo> <mrow> <mi>log</mi> <munder> <mi>&Sigma;</mi> <mrow> <msub> <mi>i</mi> <mn>1</mn> </msub> <mo>&NotEqual;</mo> <msub> <mi>i</mi> <mn>2</mn> </msub> </mrow> </munder> <msup> <mi>e</mi> <msubsup> <mi>d</mi> <mrow> <msub> <mi>i</mi> <mn>1</mn> </msub> <msub> <mi>i</mi> <mn>2</mn> </msub> </mrow> <mi>M</mi> </msubsup> </msup> <mo>+</mo> <mi>log</mi> <munder> <mi>&Sigma;</mi> <mrow> <msub> <mi>j</mi> <mn>1</mn> </msub> <mo>&NotEqual;</mo> <msub> <mi>j</mi> <mn>2</mn> </msub> </mrow> </munder> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msubsup> <mi>d</mi> <mrow> <msub> <mi>j</mi> <mn>1</mn> </msub> <msub> <mi>j</mi> <mn>2</mn> </msub> </mrow> <mi>M</mi> </msubsup> </mrow> </msup> </mrow> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> <mo>,</mo> </mrow>
M>0 (7),
trace(M)=1 (8)。
3.根据权利要求1、2所述的步骤1),其特征在于,求解新测度矩阵M的步骤具体为:
1)输入同语义训练集A{(fi1,fi2)}m(m为A训练集个数),输入不同语义训练集B{(fj1,
fj2)}n(n为B训练集个数);
2)输入学习因子γ;
Repeat
3)其中代表训练集A中每一对样本的距离,
代表训练集B中每一对样本的距离。计算函数G’(M)太阳城集团M的梯度
4)更新
5)约束条件:其中λi为M第i个特征值,为M的第i个特征向量(M
>0);
6)约束条件:
Until循环结束或结果收敛。
4.根据权利要求1、2所述的步骤2),其特征在于,所述步骤2)包括:
步骤一:对每一类图像应用所述新的距离测度进行AP聚类,确定每一类图像的聚类中
心,将每一类图像按照聚类结果分类。
步骤二:计算待标注图像到每一类图像聚类中心的平均距离,求得平均距离最小的图
像类别作为待标注图像类别,平均距离公式如式(9)所示,
<mrow> <mi>M</mi> <mi>i</mi> <mi>n</mi> <mo>(</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>=</mo> <mi>M</mi> <mi>i</mi> <mi>n</mi> <mo>(</mo> <mfrac> <mrow> <munderover> <mi>&Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> </munderover> <mi>d</mi> <mrow> <mo>(</mo> <mi>A</mi> <mo>,</mo> <msub> <mi>B</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> </mfrac> <mo>)</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
其中A代表待检测图像,Bij代表第i类图像第j个聚类中心,d(A,Bij)表示待检测图像到
第i类图像第j个聚类中心的距离,mi代表第i类图像聚类中心个数;
步骤三:在确定的类别内计算待标注图像到类内各聚类中心的距离,求得距离最小的
图像类别作为待标注图像类内类别。统计该类别下图像的标注词汇,作为待标注图像的标
注词。改进的AP聚类标注模型,是对于每一类图像进行聚类,避免了对整个训练集聚类时因
训练数据集太大造成的聚类精度的缺失。

关 键 词:
一种 基于 距离 测度 学习 AP 图像 标注 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
太阳城集团本文
本文标题:一种基于距离测度学习的AP聚类图像标注方法.pdf
链接地址:http://zh228.com/p-6019644.html
太阳城集团我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
葡京赌场|welcome document.write ('');