导读:本文包含了层次化检索论文开题报告文献综述及选题提纲参考文献，主要关键词:图像分析,边界点集,层次化描述,形状检索
层次化检索论文文献综述
刘锋,王斌[1]（2019）在《目标边界点集的层次化描述及其形状检索应用》一文中研究指出提出用于轮廓线形状和区域形状图像检索的形状描述方法,该方法将目标形状的边界(包括内边界)表示为一个无序的点集,沿各方向对点集的迭代分割,建立层次化的边界点集描述模型.通过对各层形状边界的分割比和分散度的几何特征度量,产生各层的形状特征描述,对它们进行组合,建立对目标形状的层次化描述.两个目标形状的差异性度量定义为它们的层次化描述子的L-1距离.该方法具有:(1)通用性.能够描述轮廓线形状和区域形状这两种不同类型的形状;(2)可扩展性.基于所提出的分层描述框架,可以将分割比和分散度这两种几何度量进行扩展,纳入更多其他几何特征度量,以进一步提高形状描述的精度;(3)多尺度描述特性.提出的分层的描述机制,使得描述子具有内在的由粗到细的形状表征能力;(4)较低的计算复杂性.由于仅仅计算目标图像的边界像素点,使得算法具有较高的计算效率.用MPEG-7 CE-2区域形状图像库和MPEG-7 CE-1轮廓线形状图像库这两个标准测试集对该方法进行评估,并与同类的其他形状描述方法进行比较,实验结果表明:提出的方法在综合考虑检索精确率、检索效率和一般应用能力等指标的情况下,其性能上要优于各种参与比较的方法.(本文来源于《软件学报》期刊2019年09期）
肖丽萍,张慧,胡翰,舒慧欣,刘仕琴[2]（2018）在《基于层次化特征提取的叁维模型检索系统研究》一文中研究指出叁维模型检索系统中,特征的提取为系统的核心部分。文中首先对叁维模型检索系统的构造进行了分析,体现了特征提取在叁维模型检索系统中的重要性。然后对常用特征提取方法进行了比较。最后对层次化特征提取方法进行了介绍。通过实验对基于层次化特征提取的叁维模型检索系统的检索效果进行了验证。(本文来源于《信息通信》期刊2018年11期）
刘锋[3]（2018）在《目标边界点集的层次化描述及其在商标图像检索中的应用》一文中研究指出商标是经济社会的产物,作为一种重要的知识产权,对企业的市场开拓,乃至国家的经济发展都起到了极其重要的作用。商标检索是商标注册过程中的一个重要环节,随着注册商标数量的逐年增多,传统的基于分类的检索方法和基于文本的检索方法已经不能满足商标检索系统对于检索的精确性和实时性的需求,因此,研究新的快速而又准确的商标检索系统具有非常重要的现实意义。本文从基于内容的图像检索方法出发,针对商标图像的形状特征,提出了一种基于边界点集层次化描述的商标图像检索方法。该方法将商标形状的边界表示成一个无序的点集,对边界点集沿不同方向迭代地进行分割,可以建立一个层次化的边界点集描述模型,分别用分割比和分散度这两种几何特征对各层形状边界进行度量,能够产生各层边界的形状特征描述,组合各层的形状特征,便可以建立一个对商标形状的层次化描述。针对商标形状的层次化描述子,我们提出一种循环移位的特征匹配方法来度量形状间的差异性。总结该方法具有如下优点:(1)通用性,该方法能描述轮廓线形状和区域形状这两种不同类型的形状,因此可以一般地应用于商标图像检索当中。(2)可扩展性,基于本文提出的分层描述框架,可以将分割比和分散度这两种几何度量进行扩展,将更多其他几何特征纳入到对各层边界的度量当中,以进一步提高商标形状描述的精度。(3)多尺度描述特性,本文提出的分层的描述机制使得描述子具有内在的由粗到细的形状表征能力。(4)鲁棒性,本文提出的形状描述方法本身独立于目标形状的平移和缩放变换;而在匹配阶段,我们用循环移位的匹配方法消除了目标形状旋转带来的影响,同时,该方法对噪声干扰的敏感性较低,因此,该方法具有良好的鲁棒性。(5)较低的计算复杂性,由于在特征提取时仅仅计算目标形状的边界像素点,且在形状匹配时用的是全局特征的匹配,这使得算法具有较高的计算效率。我们用MPEG-7 CE-2区域形状数据集作为复杂商标图像数据集,用MPEG-7CE-1轮廓线形状数据集作为简单商标图像数据集,在这两个标准测试集上对该方法进行商标检索测试,并与同类的其他形状描述方法进行比较,实验结果表明本文提出的方法在综合考虑检索精确率、检索效率和一般应用能力等指标的情况下,其性能上要优于各种参与比较的方法。(本文来源于《南京财经大学》期刊2018-04-28）
万艳丽,雷行云,王岩,胡红濮[4]（2015）在《基于层次化深度学习的海量医学影像组织与检索研究》一文中研究指出针对国内外关于医学影像组织和检索方法中的难点问题,提出一种基于层次化深度学习的海量医学影像组织和检索方法,以提高检索效率和精度,在一定程度上解决医学影像检索中存在的语义鸿沟问题。(本文来源于《医学信息学杂志》期刊2015年05期）
成彬,张树生,周竞涛[5]（2014）在《面向重用检索的产品层次化特征信息获取》一文中研究指出根据产品工程图表达特征的层次化属性,构建了产品的层次化模型。根据投影视图的投影原理和工程图的表达绘制规则,将产品工程图中蕴含的特征信息按其表达的工程语义划分为特征视图模型、特征功能模型和特征语义模型叁个层次,每个层次对应和表达产品不同层级的特征涵义。设计了基于位置关联关系和特征约束关联的特征视图模型获取算法,给出基于特征视图模型关联的特征功能模型聚合规则和聚合算法,并对聚合算法进行了实现。根据工程图蕴含工程语义的内在机理,构建了特征语义模型并对其进行了模型的定义、特征语义本体的构建、特征语义模型获取算法及其实现。通过实验验证,该方法能够获取工程图中各层次的特征信息,将其应用于基于特征的工程图检索,取得了较好的实验结果。(本文来源于《计算机集成制造系统》期刊2014年07期）
李宾[6]（2009）在《基于内容和情感的层次化商品图像检索研究》一文中研究指出随着计算机与通信技术的迅猛发展,网络和信息技术发生了日新月异的变化。作为一种新兴的商业模式,电子商务的发展十分迅速。但是相比于传统购物方式,电子商务存在着很大的不足,其中一点就是商品和用户之间的交互太少。因为用户对商品在网上的了解不够,导致很多用户无法下定决心购物。由于电子商务中商品的展示大多以图片形式出现,所以基于内容图像检索和基于情感的图像检索可以为电子商务网站提供新的检索方式,以满足用户的检索需要。针对以上问题,本文从基于内容和情感的层次化商品图像检索展开讨论。首先,本文介绍了选题背景、意义和国内外研究现状。然后,深入讨论了介绍了基于内容的商品图像检索。可视化特征提取、相似性度量和相关反馈是基于内容图像检索系统的关键技术,它们是组成一个完整有效的图像检索系统的重要部分。颜色、纹理、形状是图像叁种主要的底层视觉特征,根据这些特征着重介绍了基于内容的商品图像检索。其次,本文给出了一种基于改进SIFT匹配算法的商品图像检索。SIFT特征能够稳定表达图像局部特征,对图像尺度、旋转、仿射、光照变换有很好的鲁棒性。传统SIFT匹配算法在相似性度量时仅仅考虑了关键点匹配数量,但关键点之间距离也能表征图像相似度,关键点之间距离越近,图像相似度越高。基于以上思想,本文从图像关键点匹配数量和特征点之间距离两个因素,从全局图像和局部分块图像两个尺度综合考虑,给出一种新的相似匹配衡量方法,并将其用于商品图像检索。接下来,本文介绍了基于情感的商品图像检索算法。该算法包含索引过程、查询过程、相关反馈叁个步骤。当情感查询以13个情感词汇对开始时,相对应的查询颜色码和查询灰度码会产生,比较查询颜色码、查询灰度码和DB颜色码、DB灰度码,根据相似度返回与查询情感最接近的图像作为检索的结果,将此基于情感的图像检索算法用于商品图像搜索。同时,权值调整和相关反馈被应用到此检索过程中。最后,本文融合了商品图像的内容和情感,给出了一种层次化的商品图像检索框架。该框架有粗略匹配和精确匹配两个阶段,在粗略匹配阶段利用商品图像情感信息完成,在精确匹配阶段利用商品图像底层视觉特征完成,通过实验验证了本文层次化商品图像检索的有效性。基于内容和情感的层次化商品图像检索技术结合了理论研究和具体应用,为电子商务中商品和用户的沟通提供一种新的解决策略。(本文来源于《大连理工大学》期刊2009-10-15）
袁勋[7]（2008）在《层次化视频语义标注与检索》一文中研究指出随着多媒体、计算机和网络的发展,视频数据飞速增长。为了对这些海量视频数据进行存储、管理、和索引,需要研究高效的基于内容的方法对视频数据进行检索,而视频标注是视频索引和视频搜索的基础。本文研究如何利用机器学习和视频的特征,对视频进行多层次的、基于内容的标注。视频在结构上共分四个层次:视频(video)、场景(scene)、镜头(shot)、图象帧(frame)。通常视频标注主要在其中的视频层和镜头层中进行。视频层的标注是对整段视频标注其类型属性。镜头层的标注主要是依据从该镜头中提取的关键帧,标注其对应的语义概念。根据所标注的语义概念对应的是图象帧层次还是物体层次的,镜头层标注又可进一步分为图象帧层标注和物体层标注。本文研究在视频层、图象帧层、和物体层上进行视频标注时的关键问题,主要工作和创新之处归纳为以下几点:1.目前视频类型层标注的研究工作通常仅仅标注了几种简单的类型,或者是局限在电影、体育运动等某个特定的类型内标注其子类型,而且使用的分类器也过于简单。本文定义了一个相对完备的视频类型分层表示,分析并提取一系列与类型相关的时空域特征,并提出使用局部和全局优化的多类SVM二叉树提高分类精度。实验结果表明,本文提出的局部和全局优化的SVM二叉树与另外两种典型的SVM多类分类算法、以及现有的视频分类工作中使用的分类器相比,能够获得更高的精确度。2.当前的视频类型层标注工作都是采用被动监督学习的方法,需要大量的训练数据和费时费力的手工标注。本文将主动学习引入视频类型层标注,并提出使用后验概率来计算分类器对未标注样本的置信度,然后依据此置信度选择分类器最不确定的样本,也即最“有用”的样本提供给用户进行标注,从而用更少的训练样本获得和大量训练样本近似的分类效果,减轻用户标注训练数据的负担。实验结果表明,本文提出的基于后验概率的主动学习样本选择策略要略好于现有的基于变型空间的主动学习样本选择策略、以及被动学习的样本选择策略。3.对于图象帧层视频标注,本文考虑一种经常遇到的实际应用:仅拥有一小部分相关的正例,如何学习该目标概念的模型。此时进行视频标注主要存在下面两个问题:第一,对于仅有正例的训练数据,传统的区分型分类器如SVM等无法直接使用;第二,区分各种语义概念的底层特征有很大的不同,使用统一的特征无法适应各种语义概念的变化。本文提出一个基于流形排序的关键帧图象层视频标注框。对第一个问题,用流行排序解决仅有正例的不足,同时可以利用未标注数据的分布信息。对第二个问题,定义一个特征选择准则,引入特征选择为不同的语义概念选择不同的特征。此关键帧图象层视频标注框架支持新定义的目标概念和新特征的引入。4.在物体层视频标注中,传统的多实例学习表达忽略了各种语义概念之间的语义相关性。因此本文提出existence-based多实例表达来描述这种概念间的语义相关性,并根据existence-based表达设计一种新的多实例学习算法MI-AdaBoost。算法首先对训练数据中的每个包进行特征映射,转换成包级特征空间的一个特征矢量,从而将多实例学习转换为传统的监督学习。这种特征映射会为每个包建立一个包含大量噪声的高维特征矢量,可以用AdaBoost进行特征选择并构建分类器。5.不同的语义概念对应的底层特征有很大的不同,因此特征选择对视频标注是非常关键的一个问题。以前的研究工作在将多实例学习应用于视频标注时,都忽略了如何在多实例学习情况下做特征选择的问题。由于传统的单实例学习下的特征选择算法通常都无法在多实例学习中直接应用,本文提出了一种多实例学习下的特征选择算法EBMIL,能够在选择映射后的包级特征的同时,选择不同的特征源(颜色、纹理等),从而获得更好的视频标注效果。(本文来源于《中国科学技术大学》期刊2008-05-01）
张刚,刘悦,郭嘉丰,程学旗[8]（2008）在《一种层次化的检索结果聚类方法》一文中研究指出检索结果聚类能够帮助用户快速地浏览搜索引擎返回的结果.传统的聚类方法由于不能生成有意义的类别标签因此是不适合的,为了改善检索结果层次化聚类的效果,采用了基于标签的聚类算法,提出了将DF、查询日志、查询词上下文特征融合的类别标签抽取算法,并以抽取的标签构造基础类别图,通过GBCA算法构建层次化聚类结果.实验证明了多特征融合模型的有效性;GBCA算法在类别标签抽取和F-Measure两个评价指标上都比STC和Snaket算法有很大的提高.(本文来源于《计算机研究与发展》期刊2008年03期）
王积成[9]（2007）在《基于聚类和重采样层次化SVM学习的图像检索方法》一文中研究指出传统的基于内容的图像检索系统返回给用户的是按照与查询图像相似性大小排序的目标图像序列,而目标图像之间的相似性在系统中被忽略掉,基于聚类的图像检索系统返回给用户的是目标图像的聚类结果,从而将目标图像的相似性考虑在内。在基于内容的图像检索系统中,由于返回的图像是与查询图像在视觉特征上很相似的图像,它们在原始特征空间会呈窄带的形状。此外,用户标记的样本往往是不充足的,同时也是不对称的,即正例一般少于负例。在这些情况下,传统的基于SVM的学习算法由于样本的混杂性、不充足以及不对称性,其学习能力会受到很大的影响。同时,好的特征应该能够使相似的图像聚合而使不相似的图像分开。然而,固定的不同的组合特征在很多情况下的操作性能要比“某些”好的特征的性能差。例如在颜色和纹理特征的组合特征下,颜色排序得到的好的排序结果在纹理特征的影响下则可能会退化。本文根据图像的底层视觉特征对目标图像进行聚类,通过两层的图像显示结构改进用户和检索系统的交互方式。在聚类检索的基础上,针对用户反馈时标记的样本少,并结合样本分布的特点以及图像特征的表征能力,本文提出基于聚类的层次化SVM学习算法。将所有的类内的SVM集成在一起构成新的分类器,用于捕获用户的检索需求,减少“语义鸿沟”的影响,大大提高了检索系统的性能和效率。为解决图像低层特征的表征能力,本文提出基于熵的本征特征空间选择方法,同时本文提出内类的样本选择方法用以提高SVM的训练效率。通过与传统的SVM学习算法、主动采样的SVM学习算法以及bootstrap采样的SVM的学习算法的实验比较,表明本文提出的算法的检索性能得以提高。(本文来源于《哈尔滨工业大学》期刊2007-07-01）
唐波,刘雨,孙茂印,汤晓安[10]（2006）在《基于内容检索中算法的层次化体系组织》一文中研究指出基于内容的检索中,检索算法的常规实现是面向单个特征完成特征提取和相似性匹配,再对单特征检索结果加权完成多特征检索,这种方法计算量大,缺乏灵活性。针对于此,提出了一种检索算法的层次化组织体系,能够灵活组织面向不同特征的检索算法,通过传输因子、优先级因子和复杂度因子的赋值,获得逐步精确的检索结果。实验证明,在查全率和查准率基本一致的前提下,与常规检索体系相比,新检索体系能够减少近40%的检索时间。(本文来源于《国防科技大学学报》期刊2006年06期）
层次化检索论文开题报告
（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：
叁维模型检索系统中,特征的提取为系统的核心部分。文中首先对叁维模型检索系统的构造进行了分析,体现了特征提取在叁维模型检索系统中的重要性。然后对常用特征提取方法进行了比较。最后对层次化特征提取方法进行了介绍。通过实验对基于层次化特征提取的叁维模型检索系统的检索效果进行了验证。
（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。
层次化检索论文参考文献
[1].刘锋,王斌.目标边界点集的层次化描述及其形状检索应用[J].软件学报.2019
[2].肖丽萍,张慧,胡翰,舒慧欣,刘仕琴.基于层次化特征提取的叁维模型检索系统研究[J].信息通信.2018
[3].刘锋.目标边界点集的层次化描述及其在商标图像检索中的应用[D].南京财经大学.2018
[4].万艳丽,雷行云,王岩,胡红濮.基于层次化深度学习的海量医学影像组织与检索研究[J].医学信息学杂志.2015
[5].成彬,张树生,周竞涛.面向重用检索的产品层次化特征信息获取[J].计算机集成制造系统.2014
[6].李宾.基于内容和情感的层次化商品图像检索研究[D].大连理工大学.2009
[7].袁勋.层次化视频语义标注与检索[D].中国科学技术大学.2008
[8].张刚,刘悦,郭嘉丰,程学旗.一种层次化的检索结果聚类方法[J].计算机研究与发展.2008
[9].王积成.基于聚类和重采样层次化SVM学习的图像检索方法[D].哈尔滨工业大学.2007
[10].唐波,刘雨,孙茂印,汤晓安.基于内容检索中算法的层次化体系组织[J].国防科技大学学报.2006