基于随机游走的图像多样性搜索重排序算法研究信息与通信工程专业论文.docxVIP

- - i - 目 录 第一章 绪论1 1.1 图像搜索重排序技术背景 1 1.2 国内外研究现状 2 1.2.1 相关性重排序算法研究2 1.2.2 多样性重排序算法研究3 1.3 相关的评价准则 4 1.4 本文的研究动机和内容 6 1.5 本文的结构安排 6 第二章 随机游走理论8 2.1 图论的基本知识 8 2.2 随机游走中主要的参数 10 2.3 随机游走中主要限制参数 12 HYPERLINK \l _TOC_250007 2.4 基于随机游走模型的经典重排序算法 PageRank 15 HYPERLINK \l _TOC_250006 PageRank 算法 15 HYPERLINK \l _TOC_250005 PageRank 的计算 19 2.5 本章小结 20 第三章 基于 Visual Rank 的重排序算法 21 HYPERLINK \l _TOC_250004 VisualRank 算法的提出 21 HYPERLINK \l _TOC_250003 特征向量中心与 Visual Rank 算法 22 3.3 本章小结 25 第四章 基于 DivRank 和 DDRank 的图像多样性搜索重排序 26 HYPERLINK \l _TOC_250002 4.1 基于 DivRank 的图像多样性重排序 26 HYPERLINK \l _TOC_250001 一般形式的 DivRank 27 4.1.2 实验参数28 4.1.3 实验结果29 HYPERLINK \l _TOC_250000 4.2 基于 DDRank 的图像多样性重排序算法 33 4.2.1 算法的一般形式33 4.2.2 实验分析34 4.3 访问次数的计算以及有效估计 35 4.4 小结 36 第五章 总结与展望38 5.1 总结 38 5.2 未来展望 39 参考文献40 发表论文和科研情况说明44 致 谢45 天津大 天津大学硕士学位论文 第一章 第一章 绪论 - - PAGE 11 - 设” 设”而提出的方法重点在于找出原始的搜索结果中相似度更高的视觉图像。而对 于有监督学习重排序来说，主要步骤是通过在初始搜索结果中确定训练样本，并 构建以此样本为基础的分类器，然后通过分配权值，并不断地修改权值来修正训 练的精度，达到自主识别的目的。如何获取训练所需的样本是有监督学习重排序 所需要重点解决的问题，一般的解决方案分为以下三种：1)人工选择所需要的查 询图像作为样本。2)使用伪相关反馈的方法，即认为初始搜索结果中排在前面的 是正确的搜索结果，排在后面的是错误的结果。这样可以将排在不同位置的结果 作为正负样本。3)利用概念检测等方法。Liu [1-2]等人对相关工作有相关研究。无 论是那种方法，在相关性重排中都是基于视觉一致性和重排序一致性两个假设两 - 2 - 第一章 绪论 1.1 图像搜索重排序技术背景 海量数据的处理是当前的热点问题，对于当前社会的主流搜索引擎来说，不 论是 Baidu、Google 还是 Bing，对于文本信息的搜索已经达到了比较精准的水平， 但是在很多情形下，用户渴求的是更直观的数据资源，比如说图像，或者视频等， 然而很多的搜索引擎对于这些图像资源获得的结果总是不尽如人意，往往会出现 想要查询的图像排名较靠后，而不想要的甚至无关的资源会在重排序的前列。问 题的根源出在当前使用的大部分的搜索引擎在处理图像或者视频搜索时并未对 真实的数据进行分析，而仅仅是根据视频或者图像周围描述的信息来进行判断， 这些信息包含既包含人工标注的关键词又包括所谓的元数据(Metadata)。然而对 于人工标注来说，不仅需要耗费大量的人力和精力才能够完成，而且不同人之间 的主观判断也会使标注的结果呈现出相当大的差异性，这样往往会使搜索引擎变 为替罪羊，而用户并不知道其实际是标注的主观性导致的结果。更严重的是，对 于元数据来说，由于其获取方式的特点，通常仅仅是从资源周围的网页或者评论 信息进行关键字提取，在很多时候这些获取的元数据未必与原始资源相关，因此 便会产生不良的搜索结果。 由于文本描述的主观性、片面性，更重要的是未使用图像本身的任何信息而 导致结果与查询词之间的不匹配。因此如何利用图像本身的特征信息并加入到特 征之中成为当前学术界研究的热点。CBIR(Content-Based Image Retrival) [45]技术 的出现正式宣告图像特征代替文本特征登上了搜索的舞台。CBIR 使用的是图像 的底层特征，如纹理、颜色等等，这就替代了简单的以主观的描述来武断代表图 像资源的方式。由于特征的客观性，使得搜索结果更加的鲁棒，并通过一定方式 计算