项目名称: 基于社会网络的图像语义特征提取与描述方法研究

项目编号: No.61202341

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 计算机科学学科

项目作者: 郭克华

作者单位: 中南大学

项目金额: 24万元

中文摘要: 图像高层语义和低层视觉特征之间存在的鸿沟,是语义图像检索研究中遇到的一大难题。为了能保证图像语义提取的精度,同时避免降低提取的效率,本项目研究一种基于社会网络的图像语义特征提取与描述方法。项目针对图像语义特征的提取、描述和匹配三个问题进行研究:首先,将社会网络引入到图像语义提取过程中,将单个人工需要耗费大量劳动完成的标注工作,交给社会网络上的参与者共同进行,并研究基于社会媒体信息挖掘的语义提取算法,实现社会网络用户交互式的特征提取;其次,基于对象本体技术,设计相应数据结构描述图像语义,并在图像中存储低层特征和语义特征;最后针对新的语义图像数据,设计相应的匹配与检索算法。本项目旨在提出有效、完善的图像语义特征提取和描述方法,为图像语义特征的提取和描述提供新的思路,为语义图像检索提供新的交互式可视化框架,充分利用人类视觉认知机理的优势,提高模式识别的效果。

中文关键词: 社会网络;多媒体语义;特征提取;特征描述;异构大数据

英文摘要: The gap between high level semantic and low level visual features has become a challenging problem in the research of semantic image retrieval. To ensure the extraction precision and avoid the reduction of efficiency, this project proposes new image semantic extraction and description methods based on social network. In this project, we are focused on the research of extraction, description and matching of image semantic features. Firstly, social network is applied to the process of semantic extraction such that the members in social network can work together to finish the annotation, greatly reducing the workload of single member. We also research on the semantic extraction algorithms based on social media information mining such that social network members can extract the semantic features interactively. Secondly, based on object ontology technique, corresponding data structures are given to describe the image semantics, and the low level visual features and semantics of image will be saved. Finally, corresponding matching and retrieving algorithms are presented for the semantic image data. This project aims at proposing new, effective, systematic methods for image semantic extraction and description, providing a new interactive visual framework for semantic image retrieval. In this project, the advantage of v

英文关键词: Social Network;Multimedia Semantic;Feature Extraction;Feature Description;Heterogeneous Big Data

成为VIP会员查看完整内容
0

相关内容

基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
军事知识图谱构建技术
专知会员服务
125+阅读 · 2022年4月8日
基于RGB-D图像的语义场景补全研究进展综述
专知会员服务
28+阅读 · 2021年11月8日
专知会员服务
22+阅读 · 2021年9月23日
专知会员服务
69+阅读 · 2021年3月29日
专知会员服务
60+阅读 · 2021年3月25日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
65+阅读 · 2020年12月24日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
交叉描述:图像和文本的语义相似度
TensorFlow
2+阅读 · 2021年6月22日
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
CVPR 2020 | 细粒度文本视频跨模态检索
AI科技评论
17+阅读 · 2020年3月24日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
基于图片内容的深度学习图片检索(一)
七月在线实验室
20+阅读 · 2017年10月1日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
2D Human Pose Estimation: A Survey
Arxiv
0+阅读 · 2022年4月15日
Arxiv
16+阅读 · 2021年1月27日
Arxiv
38+阅读 · 2020年12月2日
A Survey on Deep Learning for Named Entity Recognition
Arxiv
26+阅读 · 2020年3月13日
Arxiv
15+阅读 · 2019年4月4日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
军事知识图谱构建技术
专知会员服务
125+阅读 · 2022年4月8日
基于RGB-D图像的语义场景补全研究进展综述
专知会员服务
28+阅读 · 2021年11月8日
专知会员服务
22+阅读 · 2021年9月23日
专知会员服务
69+阅读 · 2021年3月29日
专知会员服务
60+阅读 · 2021年3月25日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
65+阅读 · 2020年12月24日
深度学习目标检测方法综述
专知会员服务
273+阅读 · 2020年8月1日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
交叉描述:图像和文本的语义相似度
TensorFlow
2+阅读 · 2021年6月22日
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
CVPR 2020 | 细粒度文本视频跨模态检索
AI科技评论
17+阅读 · 2020年3月24日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
图像检索研究进展:浅层、深层特征及特征融合
中国计算机学会
122+阅读 · 2018年3月26日
基于图片内容的深度学习图片检索(一)
七月在线实验室
20+阅读 · 2017年10月1日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员