导读:本文包含了视觉信息标注论文开题报告文献综述及选题提纲参考文献，主要关键词:聚类,主题模型,视觉单词,标注单词
视觉信息标注论文文献综述
崔君君,于林森,李鹏[1]（2014）在《协同视觉信息与标注信息图像聚类》一文中研究指出针对如何有效地利用图像视觉信息与标注信息进行图像聚类的问题,提出了一种基于视觉单词与标注单词共生的聚类算法.在视觉特征空间,采用K-means算法对图像聚类,得到表征图像视觉信息的视觉单词,即聚类中心.在图像标注字空间,计算各聚类中心下标注单词的统计分布,建立视觉单词与标注单词共生矩阵,进而针对图像提取嵌入有视觉信息的标注词特征LDA(latent dirichlet allocation)主题模型作为最终聚类算法完成图像的聚类.通过对Pascal VOC 2007标注图像数据库进行的实验仿真以及对比试验结果表明,基于视觉单词与标注单词共生的聚类算法可以有效地利用图像的视觉信息与标注信息的互补特性,提高聚类算法的性能.(本文来源于《哈尔滨理工大学学报》期刊2014年02期）
杨帆[2]（2011）在《基于视觉和语义信息的图像标注方法研究》一文中研究指出近年来，各种存储媒介中产生的海量图像在极大的丰富人们视觉生活的同时，也为图像的管理带来了许多的不便。由于大部分的图像是通过数码产品拍摄，通常只是具有简单的数字序列名称或者英文与数字混排的名称，不能充分反映图像的视觉内容，使用传统的TBIR方式也很难在海量图像中获取指定的目标图像。因此，对图像实行自动标注，使图像名称能够真实反映视觉内容的AIA研究工作显得格外重要。自动图像标注方法研究在图像管理、图像检索和图像理解等领域都具有重要意义，目前已成为新的热点研究课题。通过了解目前各类图像标注模型思想，以基于场景语义的pLSA-GMM标注方法为基础开展研究，构造了一种结合语义信息和视觉信息的AIA-SSBTM模型，并通过该模型将标注字赋予未知图像。AIA-SSBTM模型将标注分为训练和标注两个阶段。在训练阶段，模型对训练数据集在语义层进行场景分类，并对每个场景在视觉层进行二叉树的构造，分别得到语义层数据集和视觉层数据集，在标注阶段，模型首先判定未知图像的归属类别，然后使用该类别的二叉树模型和对应的方法完成标注。本文模型利用图像之间的相似性将不同类别的场景图像构成图结构，然后使用Ncut方法进行二叉树构造，图像之间的相似性度量也是本文的主要研究问题。通过对图像分别在底层视觉特征和高层语义信息进行相似性度量的利弊分析，设计了一种结合视觉特征和对象语义的联合相似性度量方法，并将其应用在AIA-SSBTM的模型构造中，通过结合EMD方法和TF-IDF方法的联合相似性度量方法重新构造了模型中的二叉树结构。采用相似性联合度量方法重新构造的AIA-SSBTM模型的综合指标F-measure比原模型提高了7%。实验采用Corel5K数据库进行模型训练和测试图像标注，在4500张训练图像和500张测试图像的数据集规模内分析实验结果，将AIA-SSBTM在性能上与TM、CMRM、pLSA-GMM和CRM等标注模型进行比较，综合指标F-measure都有提高。(本文来源于《哈尔滨工程大学》期刊2011-12-15）
曹月[3]（2010）在《融合视觉与语义双模态信息的自动图像标注》一文中研究指出自动图像标注是当前图像检索领域的研究热点之一,在数字图书馆、医学图像处理、移动多媒体、数字娱乐等领域中有广泛的应用前景。融合视觉与语义双模态信息的自动图像标注是近年来引人关注的发展方向。本文立足于机器学习思想,针对视觉与语义双模态信息融合中的若干关键问题进行了研究,主要内容包括语义相关性度量的融合方法以及视觉与语义信息的融合模型。提出了一种基于神经网络交叉学习的语义相关性度量融合方法。该方法利用叁层神经网络可以表示任意复杂非线性映射的特点,实现词汇之间不同语义相关性度量的融合,以获得更为准确的语义相关性度量。采用交叉学习模式进行神经网络的学习,将包括语义相关性度量以及视觉与语义信息融合在内的图像标注过程视为一个整体,以最优化图像标注效果为神经网络学习目标,粒子群算法为优化手段,实现神经网络的权值调整。在Corel5K图像库上结合图像标注去噪方法,对所提出的语义相关性度量融合方法进行了实验验证。结果表明该方法是有效的,图像标注效果可在基于视觉信息的标注基础上提高23.2%。提出了一种融合视觉与语义信息的改进随机游走模型。该模型采用粒子群优化算法对图像视觉与语义信息的融合过程进行优化,使得模型中的参数能够自动学习,以避免人工设定参数方式的繁琐性以及对计算结果造成的不确定性。通过减少人为因素的影响,提高图像标注结果的可靠性。在Corel5K图像库中对改进的随机游走方法进行了实验验证。结果表明所提出的改进随机游走模型是可行的,图像标注效果可在基于视觉信息的标注基础上提高23.6%。(本文来源于《北京理工大学》期刊2010-06-23）
查正军[4]（2009）在《基于机器学习方法的视觉信息标注研究》一文中研究指出随着存储设备、计算机网络和压缩技术的发展,视觉信息大量涌现,如何有效地组织、表达、管理和检索浩如烟海的视觉信息,已成为科研领域和工业界亟待研究解决的问题.其中,视觉信息语义标注受到愈来愈多的关注,成为当下的研究热点。早期的视觉信息标注是人工完成的,然而人工标注费时费力,无法完成大规模视觉信息的语义标注,这促使人们寻找新的标注技术。由于机器学习方法具有成熟的理论基础,可为语义标注提供理论支持及可能的解决方案,基于机器学习的自动语义标注已逐渐成为解决视觉信息标注问题的主流途径.本文主要针对基于机器学习的视觉信息标注展开研究,提出了一系列新颖的标注算法,期望通过挖掘视觉信息标注的特性来提高视觉信息标注的准确性,以促进其实用化进程。本论文的主要研究工作如下:1.提出了面向语义概念特性挖掘的视觉信息标注框架。在传统的视频标注方法中引入语义概念特性挖掘,提出了结合概念间统计相关性以及语义相关性的视觉信息标注改善算法。传统的视觉信息标注方法将某语义概念的标注问题当作两类分类问题来解决,将语义概念简单地视为类别标号,忽略了语义概念的自身特性,如概念间的统计相关性、语义相关性等,从而难以获得令人满意的效果。本文通过挖掘语义概念特性,并以此指导视觉信息标注,有效地提高了标注的准确性。2.提出了全新的基于半监督多语义概念学习的视觉信息标注技术。将多语义概念学习引入到半监督学习中,提出了半监督多语义概念学习框架。基于此框架,提出了两种新颖的半监督多语义概念学习算法,有机地结合了样本间的相似性、语义概念间的相关性、以及样本与概念间的映射关系。基于半监督多语义概念学习的视觉信息标注技术在克服了训练样本缺乏问题的同时,充分挖掘了概念间的相关性,获得了更为准确的标注模型。3.首创性地研究了基于多示例多语义概念学习的视觉信息标注技术.多示例学习作为消除数据歧义性的有效途径,己被越来越多地应用于视觉信息标注。但是,以往的多示例学习方法局限于解决单语义概念学习问题.而视觉信息标注本质上是一个多语义概念学习问题,并且数据歧义的起因也正是这种多语义性。多示例多语义概念学习技术从全新的角度对视觉信息标注进行研究,将多语义概念学习的思想引入到多示例学习中,通过挖掘概念间的相互联系更好地消除了视觉数据的歧义,从而有效地提高了标注的准确性。视觉信息标注研究,涉及到机器学习、计算机视觉以及认知科学等多个领域,希望本文的研究工作,也能为相关领域提供一些新的思路与方法。(本文来源于《中国科学技术大学》期刊2009-05-01）
于林森,张田文[5]（2006）在《基于视觉与标注相关信息的图像聚类算法》一文中研究指出算法首先按视觉相关程度对标注字进行打分,标注字的分值体现了语义一致图像的视觉连贯程度.利用图像语义类别固有的语言描述性,从图像标注中抽取具有明显视觉连贯性的标注字作为图像的语义类别,减少了数据库设计者繁琐的手工编目工作.按标注字信息对图像进行语义分类,提高了图像聚类的语义一致性.对4500幅Corel标注图像的聚类结果证实了算法的有效性.(本文来源于《电子学报》期刊2006年07期）
视觉信息标注论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近年来，各种存储媒介中产生的海量图像在极大的丰富人们视觉生活的同时，也为图像的管理带来了许多的不便。由于大部分的图像是通过数码产品拍摄，通常只是具有简单的数字序列名称或者英文与数字混排的名称，不能充分反映图像的视觉内容，使用传统的TBIR方式也很难在海量图像中获取指定的目标图像。因此，对图像实行自动标注，使图像名称能够真实反映视觉内容的AIA研究工作显得格外重要。自动图像标注方法研究在图像管理、图像检索和图像理解等领域都具有重要意义，目前已成为新的热点研究课题。通过了解目前各类图像标注模型思想，以基于场景语义的pLSA-GMM标注方法为基础开展研究，构造了一种结合语义信息和视觉信息的AIA-SSBTM模型，并通过该模型将标注字赋予未知图像。AIA-SSBTM模型将标注分为训练和标注两个阶段。在训练阶段，模型对训练数据集在语义层进行场景分类，并对每个场景在视觉层进行二叉树的构造，分别得到语义层数据集和视觉层数据集，在标注阶段，模型首先判定未知图像的归属类别，然后使用该类别的二叉树模型和对应的方法完成标注。本文模型利用图像之间的相似性将不同类别的场景图像构成图结构，然后使用Ncut方法进行二叉树构造，图像之间的相似性度量也是本文的主要研究问题。通过对图像分别在底层视觉特征和高层语义信息进行相似性度量的利弊分析，设计了一种结合视觉特征和对象语义的联合相似性度量方法，并将其应用在AIA-SSBTM的模型构造中，通过结合EMD方法和TF-IDF方法的联合相似性度量方法重新构造了模型中的二叉树结构。采用相似性联合度量方法重新构造的AIA-SSBTM模型的综合指标F-measure比原模型提高了7%。实验采用Corel5K数据库进行模型训练和测试图像标注，在4500张训练图像和500张测试图像的数据集规模内分析实验结果，将AIA-SSBTM在性能上与TM、CMRM、pLSA-GMM和CRM等标注模型进行比较，综合指标F-measure都有提高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
视觉信息标注论文参考文献
[1].崔君君,于林森,李鹏.协同视觉信息与标注信息图像聚类[J].哈尔滨理工大学学报.2014
[2].杨帆.基于视觉和语义信息的图像标注方法研究[D].哈尔滨工程大学.2011
[3].曹月.融合视觉与语义双模态信息的自动图像标注[D].北京理工大学.2010
[4].查正军.基于机器学习方法的视觉信息标注研究[D].中国科学技术大学.2009
[5].于林森,张田文.基于视觉与标注相关信息的图像聚类算法[J].电子学报.2006