项目名称: 海量社群图像语义理解关键技术研究

项目编号: No.61472028

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 计算机科学学科

项目作者: 冯松鹤

作者单位: 北京交通大学

项目金额: 78万元

中文摘要: 本课题的研究目标是面向互联网社群图像的语义理解。主要研究内容:(1)基于机器学习的单幅图像显著性检测和群组图像协同显著性检测算法。(2)研究基于多标记排序的图像级自动标注算法,通过挖掘标签间的配对排序关系和语义相关性,实现一种高效的图像级标注算法。(3) 针对区域级自动标注问题,研究在结构化稀疏表示理论框架下,从输入端和输出端同时挖掘图像区域的语义上下文信息,并据此提升区域级标注的准确性。(4) 针对社群图像中存在的标签序列无序性的特点,通过分析社群图像的显著性特征分布,研究自适应地从标签与图像的语义相关度及标签所对应图像区域显著度角度实现标签排序算法。(5) 针对社群图像标签填充问题,研究在矩阵填充理论框架下,引入矩阵低秩正则约束项和标签配对排序关系,优化得出图像-标签关系矩阵。课题的特色是,以社群图像为研究对象,充分挖掘图像和标签的语义上下文信息,为海量社群图像检索提供有效的检索途径。

中文关键词: 协同显著性检测;自动图像标注;结构化稀疏表示;标签排序;标签填充

英文摘要: Image semantic understanding has emerged as a hot topic recently. The aim of our research topic is to annotate semantic keywords automatically for the social images. In order to understand these social images, the main contributions of the proposed research topic are as follows: (1) Multi-instance Learning based single image saliency detection algorithm is firstly studied, which incorporate both the bottom-up and top-down strategies to improve the saliency detection performance. In addition, by analyzing the fact the multiple images co-saliency detection can also be formulated as a typical MIL issue, a MIL based co-saliency detection algorithm will be discussed. (2)We aim to propose a simple yet effective multi-label ranking based image annotation algorithm which utilize the tag pairwise ranking information, and a trace-norm regularization is also incorporated to fully investigate the tag semantic correlations.(3) We study how to establish mapping between tags and image regions. By investigate the semantic context information between training and test image regions, we propose a structural sparse representation based region tagging algorithm which simultaneously assign tags to all the regions within a test image with a set of labeled training data. (4) By analyzing the fact that user provided tags are orderless, we aim to propose an all-season tag ranking framework which can handle both the images with and without distinct objects. Saliency detection algorithm will first be utilized to classify the images into attentive and non-attentive categories. Attentive image will be processed by the tag saliency ranking approach emphasizing distinct objects in the image, while non-attentive image will be handled by the sparse reconstruction based neighbor-voting approach.(5) We aim to propose a matrix completion based social image tag completion algorithm, which aims to automatically fill in the missing tags as well as correct noisy tags for given images. We present the image-tag relation by a tag matrix, and search for the optimal tag matrix consistent with both the the visual similarity and pairwise ranking information between observed tags. As a pioneering work, this proposal carries out a series of research efforts for processing the social images and their corresponding social tags, especially in making use of content analysis techniques to improve the descriptive power of the tags with respect to the image content.

英文关键词: Co-Saliency Detection;Automatic Image Annotation;Structural Sparse Representation;Tag Ranking;Tag Completion

成为VIP会员查看完整内容
0

相关内容

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
面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
69+阅读 · 2021年3月29日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
85+阅读 · 2021年1月7日
专知会员服务
65+阅读 · 2020年12月24日
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25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
一文读懂图像压缩算法
七月在线实验室
15+阅读 · 2018年5月2日
机器学习、深度学习 知识点总结及面试题
全球人工智能
17+阅读 · 2018年1月4日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22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
0+阅读 · 2014年12月31日
国家自然科学基金
0+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
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
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
1+阅读 · 2022年4月15日
Arxiv
38+阅读 · 2020年12月2日
Arxiv
11+阅读 · 2018年5月13日
小贴士
相关VIP内容
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
面向行人重识别的局部特征研究进展、挑战与展望
专知会员服务
26+阅读 · 2021年10月13日
专知会员服务
69+阅读 · 2021年3月29日
专知会员服务
61+阅读 · 2021年3月6日
专知会员服务
85+阅读 · 2021年1月7日
专知会员服务
65+阅读 · 2020年12月24日
相关资讯
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
38+阅读 · 2019年7月25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
一文读懂图像压缩算法
七月在线实验室
15+阅读 · 2018年5月2日
机器学习、深度学习 知识点总结及面试题
全球人工智能
17+阅读 · 2018年1月4日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22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
0+阅读 · 2014年12月31日
国家自然科学基金
0+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
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
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员