《基于半监督学习的双线性映射图像检索-论文》.pdfVIP

第 14卷 第4期 2014年2月 科 学 技 术 与 工 程 V01．14 No．4 Feb．2014 1671— 1815r2014)o4—0255—05 ScienceTechnologyandEngineering ⑥ 2014 Sci．Tech．Engrg． 基于半监督学习的双线性映射图像检索 高金金 尹四清 (~O-tL大学电子与计算机科学技术学院 ，软件学院 ，太原030051) 摘 要 “语义鸿沟”是基于内容图像检索中广泛存在的问题。近年来，人们为减小语义鸿沟开展了许多研究工作，并将半监 督学习方法用于其 中。目前，多数的检索方法只考虑数据点的结构信息，或关注点集中在低层特征。为了充分利用结构信息 缩小低层特征和高层语义之间的语义鸿沟，提出了一种半监督的双映射机器学习图像检索法。该方法在低层特征与标签之 间建立双线性映射，最后使用Corel图像库同流行嵌入法进行对比，实验表明所提出的方法在检索过程中可以获得较好的效 果，精准率有明显提高。 关键词 基于内容的图像检索(contentbasedimageretrieval，CBIR) 半监督学习 双层映射 语义鸿沟 中图法分类号 TP391； 文献标志码 A 在过去十多年里，随着数字技术的迅速发展和 的半监督方法主要用于分类。流形正则法 MR 广泛应用，产生了大量的数字图像，如何有效地从这 (manifoldregularization) 也可以解决多样的学习 些数据中找到所要的信息成为一个迫切的问题 。这 问题。实际上，MR是回归跟 SVM 的扩展，对于La— 样的背景下，基于内容的图像检索技术引起了广泛 pRLS／L(拉普拉斯最小二乘法)lO]，则是在此基础 的注意，成为一个热门的研究领域，该领域早期的研 上加上几何正则项。目前的MR方法主要用于二乘 究集中在低层特征的研究上，如颜色、纹理、形状特 分类和回归问题 ，现主要用于多级设置中的降维问 征。但这样的检索系统性能很有限，主要是因为图 题从而减小语义鸿沟。首先介绍了LapRLS／L以及 像低层特征和高层语义问的间隔，即存在语义鸿 FME，然后在此基础上提出了为缩小 CBIR中的语 沟 。因此近年来，人们为减小语义鸿沟开展了许 义鸿沟，从低层特征到高层语义，提出了一种新的半 多研究工作 ，并将机器学习应用到图像检索领域，发 监督的图像检索算法，即建立双层映射机制 (double 展出了一系列基于机器学习的图像检索方法。 目前 mappings，DM)，该方法在低层特征与标签之间建 比较流行的检索方法大致可以分为四类：子空间学 立双线性映射，同时为验证设计算法的有效性，同 习 J、支持 向量机 j、随机抽样 及特征选择 J。 FME 方法进行了对比，并做出了相关分析。 这些方法忽视了图像底层视觉特征的流形结构，有 1 基于线性映射的CBIR基础 的只考虑数据点的结构信息，或关注点集中在低层 特征而没有充分考虑到低层特征与高层语义之问的 目前，基于内容的图像检索的研究焦点已从设 语义鸿沟，难以满足用户对检索性能的需求。 计复杂的低层特征提取算法转到了如何缩小图像检 近年来，半监督学习已成为机器学习领域的一 索中的 “语义鸿沟”。CBIR被广泛接受的图像语义 个研究热点，在众多领域得到了广泛应用．传统的监 的获取机制是建立在一种层次化的抽象模型，如图 督学习算法依赖于有标识的训练样本集，忽略了未 1所示 。 标识样本的作用．实际应用中存在大量未标识数据 它侧重于在不同层次上对图像内容进行分析和 资源，半监督学习算法就是利用这些未标识样本来