CN103530405A - 一种基于分层结构的图像检索方法 - Google Patents
一种基于分层结构的图像检索方法 Download PDFInfo
- Publication number
- CN103530405A CN103530405A CN201310505213.5A CN201310505213A CN103530405A CN 103530405 A CN103530405 A CN 103530405A CN 201310505213 A CN201310505213 A CN 201310505213A CN 103530405 A CN103530405 A CN 103530405A
- Authority
- CN
- China
- Prior art keywords
- image
- class
- training
- subclass
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Abstract
本发明属于图像检索技术领域,涉及一种分层结构的图像检索方法,包括:获取进行训练的图像,并对图像中每个物体构造树状结构标签,形成训练集;提取训练集中图像每个物体的低层特征,训练得到所有候选的类,子类以及属性相对应的分类器,形成下一步建模所需要的中间数据;构造条件随机场模型,训练得到模型参数;对于待描述图像,首先进行图像分割,分割出待描述图像中包含的物体,再提取待描述图像中每个物体的低层特征;之后利用所构造的条件随机场模型及训练得到模型参数,采用使用最大积信念传播算法,对待描述图像中每个物体的树状结构标签进行预测;建立相应的图像检索系统。本发明可以提高图像与图像之间的区分度,产生更好的检索结果。
Description
所属技术领域
本发明属于图像检索技术领域,涉及一种基于分层结构的图像检索方法。
背景技术
使用更加丰富的语义信息来描述一幅图像无论对理解该图像还是从Web上面检索该图像都是及其重的。一方面,当面对一幅新的图像时,人们首先想知道的是图像中的物体属于哪个类(比如是一种动物还是一种交通工具),当获取到它的类信息后,更进一步人们想知道它是属于哪个子类(属于鸟类,还是属于猫科动物),此外,每种物体都具有自己特有的属性信息,比如是否具有羽毛,是否会飞,是否食肉等等。通过这些信息,人们可以从多个角度更加精确的来理解一幅图像,同时获取到更多关于图像中物体的知识。另一方面,在图像检索领域,由于计算机是使用低层特征来表示一幅图像的,这样由计算机给出的检索结果并不能很好的匹配用户的检索意图,为了克服图像检索领域存在的这种“语义鸿沟”,也需要使用更加丰富更加精确的语义信息来描述一幅图像。
在过去的几年中已经涌现出了各种各样的图像描述方法,比如使用单个标签来描述图像中的物体属于动物还是植物,这种描述方法虽然指定了图像中物体的类别,但是所蕴含的信息非常有限,为了克服这个缺点,人们就创建一个标签库,然后选取标签库中与之相关的多个标签来描述图像中的某个物体,但是标签库毕竟有限,不可能覆盖自然界中的所有物体,于是就产生了基于属性的图片描述方法,这类方法使用物体的属性信息,比如是否会飞,是否有羽毛等去描述一幅图像,这样做的好处是即使遇到了一幅没有见过的图像,人们依然可以使用一些基本的属性信息去描述它,从而获取对图像的一些感性认识。不管这些图像描述方法是从什么角度,使用什么信息来描述图像的,他们的目标都是为了获取图像中更加丰富的语义信息。
为此,本发明提出了一种基于分层结构的图像检索方法,即使用一个3层树状结构标签来描述图像中的物体,其中第一层指出了物体所属的大类,第二层指出了物体所属的子类,第三层指出了图像具有的属性信息。这种分层的树状结构语义单元融合了现有方法的优点,不仅可以给出物体在不同层次上的类别信息和属性信息,而且可以输出一个体现这些信息结构的语义单元,从而给出对图像一个更加丰富和精确的描述。使用该3层树状结构进行图像检索,可以完整的保留出属物体类别信息和属性信息的关系,进而检索到更加精确的图像结果。
发明内容
本发明的目的是提供一种新基于分层结构的图像检索方法,使得图像对图像的描述和检索更为精确。本发明使用一个3层的树状结构语义标签来描述一幅图像,并进而使用该结构化的描述进行图像检索。本发明提出的基于分层结构的图像检索方法包括如下步骤:
第一步,获取进行训练的图像,并对图像中每个物体构造3层树状结构标签,形成训练集:
(1)获取进行训练的图像,构建图像集合IMG;
(2)使用图像分割算法分割出集合IMG中每幅图像中所包含的物体,构成物体集合OBJ;
(3)对集合OBJ中的每个物体进行标注,标注的内容包括物体所属的类,子类以及具有的属性,形成类集合CLASS,子类集合SUBCLASS以及属性集合ATTRIBUTE;
(4)根据标注信息对集合OBJ中的每个物体构造包括类-子类-属性3层树状结构标签,形成与OBJ相对应的标签集合Y,两个集合的元素一一对应;
(5)类集合CLASS中有很多相同的元素,顺序扫描CLASS中的每个元素,相同的元素只保留一个,形成候选的类集合Cla,对其子类集合SUBCLASS和属性集合ATTRIBUTE做相同的扫描,得到候选的子类集合Subcl和候选的属性集合Attri;
(6)构造包括:物体集合OBJ,标签集合Y,候选的类集合Cla,候选的子类集合Subcl以及候选的属性集合Attri的训练集Tr。
第二步,提取训练集中图像每个物体的低层特征,训练得到所有候选的类,子类以及属性相对应的分类器,形成下一步建模所需要的中间数据的步骤如下:
(1)提取物体集合OBJ中每个物体的局部二值模式特征(LBP)特征,构造特征集合X;
(2)根据特征集合X和类集合CLASS,训练得到集合Cla中每个元素wi的SVM分类器SVM_wi,构成与类相对应的分类器集合Sw,同理,根据特征集合X和子类集合SUBCLASS,训练得到子类集合Subcl中每个元素vj的SVM分类器SVM_vj,构成与子类相对应的分类器集合Sv,根据特征集合X和属性集合ATTRIBUTE,训练得到集合Attri中每个元素uk的SVM分类器SVM_uk,构成与属性相对应的分类器集合Su;
(3)在训练集Tr上计算分类器集合Su中每个分类器SVM_uk的查准率和查全率曲线(PR曲线),根据该PR曲线得到分类器SVM_uk的阈值threk,构成与Su对应的阈值集合Threshold;
(4)在训练集Tr上统计候选的类集合Cla中的每一个元素wi和候选的子类集合Subcl中每一个元素vj的共现概率pij,即标签集合Y中同时具有wi和vi的物体数量占OBJ中总物体数Nm的比例;在训练集Tr上统计候选的子类集合Subcl中每一个元素vi和候选的属性集合Attri中每一个元素uk的共现概率gjk,即集合Y中同时具有uk和vi的物体数量占OBJ中总物体数Nm的比例,此外,在训练集Tr上统计含有候选的子类集合Subcl中元素vi但不含有候选的属性集合中元素uk的概率qjk,即集合Y中具有vi但没有uk的物体数量占OBJ中总物体数Nm的比例;
(5)构造包含:分类器集合Sw,Sv,Su,阈值集合Threshold,概率统计数据pij,gjk,qjk的中间数据,以备下一步建模使用。
第三步,构造条件随机场模型(CRF),训练得到模型参数;
第四步,对于待描述图像,首先进行图像分割,分割出待描述图像中包含的物体,再按照前述的第二步的方法,提取待描述图像中每个物体的低层特征;之后,利用第三步构造的条件随机场模型(CRF)及训练得到模型参数,采用使用最大积信念传播算法,对待描述图像中每个物体的3层树状结构标签进行预测;
第五步,使用资源描述框架(RDF)对图像进行描述,建立相应的图像检索系统。
本发明提出基于分层结构的图像检索方法。使用一个3层的树状结构语义单元来描述图像,从该语义单元中,用户不光可以获取到图像中物体所属的类和具体的子类信息,而且可以获取到图像中物体具有的属性信息,从而产生对图像内容更加丰富和更加精确的描述,这样可以提高图像与图像之间的区分度,方便在图像检索时消除语义鸿沟,产生更好的检索结果,同时本发明亦提供给了用户一种更加直观的图像内容的展示方法,即以一个3层树状结构来组织图像的类,子类,属性信息,方便用户更加容易的理解图像,并使用资源描述符进行图像检索。
附图说明
图1CRF模型示意图。
图2本发明使用的训练集中的若干例子,其中第一行的图像为从网络上下载的自然图像,其中的物体已经使用矩形框标出。第二行为每个物体相对应的3层树状结构标签。
图3左图为自然图像,其中需要描述的物体已经使用矩形框标出。右图为使用本发明提出的发明预测出的3层树状结构语义标签。
图4左图为自然图像,其中需要描述的物体已经使用矩形框标出。右图为使用本发明提出的发明预测出的3层树状结构语义标签。
图5使用SPARQL检索语言建议的结构化图像查询系统。其中上面的框内显示的查询语句,下面的框里显示的是对数据库的描述,使用SPARQL可以对本发明提出的分层结构进行编码,之后用于图像检索。
图6两个基于分层结构的图像检索结果,在每一行中,第一个框内显示的是查询语句,查询到的四张图像显示在后面。
具体实施方式
这里选取两幅图像作为待描述图像,分别为图3,图4中左边的图像,使用本发明中描述的方法对其进行预测输出3层树状结构语义单元。
首先需要训练得到条件随机场(CRF)的模型参数:具体步骤如下:
1,构造训练集步骤如下:
(3)使用Amazons Mechanical Turk工具对集合OBJ中的每个物体进行标注,包括物体Objl所属的类classl,子类subclassl以及具有的属性attrl1,…,attrlp,lp表示物体Objl具有的属性数目,形成类集合 子类集合 以及属性集合
(4)根据标注信息对集合OBJ中的每个物体Objl构造3层树状结构标签(类-子类-属性)Yl={classl,subclassl,attrl1,…,attrlp},形成与OBJ相对应的标签集合(两个集合的元素一一对应);
(5)类集合CLASS中有很多相同的元素,顺序扫描CLASS中的每个元素,相同的元素只保留一个,形成候选的类集合其中Nw是集合Cla中不同元素的总数,对子类集合SUBCLASS和属性集合ATTRIBUTE做相同的扫描,得到候选的子类集合和候选的属性集合Nv和Nu分别是集合Subcl和Attri中不同元素的总数;
(6)构造包括:物体集合 标签集合 候选的类集合 候选的子类集合 以及候选的属性集合 的训练集Tr。生成的训练集如图2所示。
2,处理数据步骤如下:
(2)根据特征集合 和类集合 训练得到集合Cla中每个元素wi的SVM分类器SVM_wi,构成与类相对应的分类器集合同理,根据特征集合 和子类集合 训练得到集合Subc中每个元素vj的SVM分类器SVM_vj,构成与子类相对应的分类器集合 根据 和属性集合 训练得到集合Attri中每个元素uk的SVM分类器SVM_uk,构成与属性相对应的分类器集合
(4)在训练集Tr上统计集合Cla中的每一个元素wi(i=1,2,...,Nw)和集合Subcla中每一个元素vj(j=1,2,...,Nv)的共现概率pij(i=1,...,Nw,j=1,...,Nv)(即集合Y中同时具有wi和vi的物体数量占OBJ中总物体数Nm的比例);在训练集Tr上统计集合Subcla中每一个元素vi(i=1,2,...,Nv)和集合Attri中每一个元素uk(k=1,2,...,Nu)的共现概率gjk(j=1,...,Nv,k=1,...,Nu)(即集合Y中同时具有uk和vi的物体数量占OBJ中总物体数Nm的比例),此外,在训练集Tr上统计含有集合中元素vi(i=1,2,...N,v)但不含有集合Attri中元素uk(k=1,2,...,Nu)的概率qjk(j=1,...,Nv,k=1,...,Nu)(即集合Y中具有vi但没有uk的物体数量占OBJ中总物体数Nm的比例);
(5)构造包含:分类器集合 阈值集合概率统计数据pij(i=1,...,Nw,j=1,...,Nv),gjk(j=1,...,Nv,k=1,...,Nu),qjk(j=1,...,Nv,k=1,...,Nu)的中间数据,以备下一步建模使用。
3,构建CRF模型并训练参数步骤如下:
(1)构造如图1所示的CRF模型:
其中o1是类节点,表示图像中的物体所属的类,可在候选的类集合Cla中的任意一个元素处取值(即o1∈{1,…,Nw});o2是子类节点,表示图像中的物体所属的子类,可在候选的子类集合Subcl中任意一个元素处取值(即o2∈{1,…,Nv});ok(k=3,…,m),m=2+Nu是属性节点,表示图像中的物体具有的属性,取值范围为1和2(即ok∈{1,2}),其中1表示物体不具有该属性,2表示物体具有该属性)。这样我们可以使用Ol={o1,o2,o3…,om}代替Yl={classl,subclassl,attrl1,…,attrlp}来表示物体Objl具有的3层树状结构标签;CRF模型需要最大化如下公式:
其中,Xl指的是从物体Objl提取的低层特征,Z(Xl)是一个归一化的常数,叫做配分函数,E(Xl,Ol)叫做能量函数,我们可以看到最大化公式(1)相当于最小化能量函数,能量函数的公式定义如下:
其中,叫做节点势函数(node potential),γ1定义为o1对应的分类器在Xl上面的输出,γ2定义为o2对应的分类器在Xl上面的输出,当ok=2(k=3,…,m)时,γk定义为ok对应的分类器SVM_uk-2在Xl上面的输出,当ok=1(k=3,…,m),γk(k=3,…,m)定义为ok对应的分类器SVM_uk-2的阈值threk-2(k-2∈{1,…,Nu});叫做边势函数(edge potential),其中当ok=1(k=3,…,m)时,
(2)使用随机梯度下降法(stochastic gradient descent)最小化公式(2)中的能量函数E(Xl,Ol),从而得到CRF模型的参数ω={ω1,…,ωm+n}。
其次,训练得到CRF模型参数后,接下来对待描述图像进行预测,步骤如下:
(3)利用训练得到的模型参数ω={ω1,…,ωm+n}最大化如下公式:
其中,定义为中第一个元素o1对应的分类器在上面的输出,定义为中第二个元素o2对应的分类器在上面的输出,当ok=2(k=3,…,m)时,定义为ok对应的分类器SVM_uk-2在上面的输出,当ok=1(k=3,…,m),γk(k=3,…,m)定义为ok对应的分类器SVM_uk-2的阈值threk-2(k-2∈{1,…,Nu});结点o1和o2之间边的值结点o2和结点ok(k=3,…,m)之间边的值需要分情况讨论,当ok=1(k=3,…,m)时,当ok时
最终预测输出的3层树状结构标签如图3,图4中右侧所示。
最后,使用资源描述符进行图像检索:
使用资源描述框架描述以上提的3层树状语义标签,并使用SPARQL检索语言进行图像检索。图5为检索系统例子。图6为检索的结果。
本发明针对图像描述问题提出了一种基于分层结构的图像检索方法。从本发明定义的3层树状结构语义标签中,用户不光可以得到图像中物体所属的类,子类,还可以获取到物体具有的属性信息,以及类,子类,属性之间的结构关系,从而产生对图像更加精确,更加丰富的描述,进而进行图像检索。
Claims (1)
1.一种基于分层结构的图像检索方法,包括下列步骤:
第一步,获取进行训练的图像,并对图像中每个物体构造3层树状结构标签,形成训练集:
(1)获取进行训练的图像,构建图像集合IMG;
(2)使用图像分割算法分割出集合IMG中每幅图像中所包含的物体,构成物体集合OBJ;
(3)对集合OBJ中的每个物体进行标注,标注的内容包括物体所属的类,子类以及具有的属性,形成类集合CLASS,子类集合SUBCLASS以及属性集合ATTRIBUTE;
(4)根据标注信息对集合OBJ中的每个物体构造包括类-子类-属性3层树状结构标签,形成与OBJ相对应的标签集合Y,两个集合的元素一一对应;
(5)类集合CLASS中有很多相同的元素,顺序扫描CLASS中的每个元素,相同的元素只保留一个,形成候选的类集合Cla,对其子类集合SUBCLASS和属性集合ATTRIBUTE做相同的扫描,得到候选的子类集合Subcl和候选的属性集合Attri;
(6)构造包括:物体集合OBJ,标签集合Y,候选的类集合Cla,候选的子类集合Subcl以及候选的属性集合Attri的训练集Tr。
第二步,提取训练集中图像每个物体的低层特征,训练得到所有候选的类,子类以及属性相对应的分类器,形成下一步建模所需要的中间数据的步骤如下:
(1)提取物体集合OBJ中每个物体的局部二值模式特征(LBP)特征,构造特征集合X;
(2)根据特征集合X和类集合CLASS,训练得到集合Cla中每个元素wi的SVM分类器SVM_wi,构成与类相对应的分类器集合Sw,同理,根据特征集合X和子类集合SUBCLASS,训练得到子类集合Subcl中每个元素vj的SVM分类器SVM_vj,构成与子类相对应的分类器集合Sv,根据特征集合X和属性集合ATTRIBUTE,训练得到集合Attri中每个元素uk的SVM分类器SVM_uk,构成与属性相对应的分类器集合Su;
(3)在训练集Tr上计算分类器集合Su中每个分类器SVM_uk的查准率和查全率曲线(PR曲线),根据该PR曲线得到分类器SVM_uk的阈值threk,构成与Su对应的阈值集合Threshold;
(4)在训练集Tr上统计候选的类集合Cla中的每一个元素wi和候选的子类集合Subcl中每一个元素vj的共现概率pij,即标签集合Y中同时具有wi和vi的物体数量占OBJ中总物体数Nm的比例;在训练集Tr上统计候选的子类集合Subcl中每一个元素vi和候选的属性集合Attri中每一个元素uk的共现概率gjk,即集合Y中同时具有uk和vi的物体数量占OBJ中总物体数Nm的比例,此外,在训练集Tr上统计含有候选的子类集合Subcl中元素vi但不含有候选的属性集合中元素uk的概率qjk,即集合Y中具有vi但没有uk的物体数量占OBJ中总物体数Nm的比例;
(5)构造包含:分类器集合Sw,Sv,Su,阈值集合Threshold,概率统计数据pij,gjk,qjk的中间数据,以备下一步建模使用。
第三步,构造条件随机场模型(CRF),训练得到模型参数;
第四步,对于待描述图像,首先进行图像分割,分割出待描述图像中包含的物体,再按照前述的第二步的方法,提取待描述图像中每个物体的低层特征;之后,利用第三步构造的条件随机场模型(CRF)及训练得到模型参数,采用使用最大积信念传播算法,对待描述图像中每个物体的3层树状结构标签进行预测;
第五步,使用资源描述框架(RDF)对图像进行描述,建立相应的图像检索系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310505213.5A CN103530405B (zh) | 2013-10-23 | 2013-10-23 | 一种基于分层结构的图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310505213.5A CN103530405B (zh) | 2013-10-23 | 2013-10-23 | 一种基于分层结构的图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530405A true CN103530405A (zh) | 2014-01-22 |
CN103530405B CN103530405B (zh) | 2016-08-31 |
Family
ID=49932414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310505213.5A Active CN103530405B (zh) | 2013-10-23 | 2013-10-23 | 一种基于分层结构的图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530405B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867114A (zh) * | 2015-04-13 | 2015-08-26 | 湖南大学 | 一种基于条件随机场的古籍扫描图像背面渗透盲去除方法 |
CN105045907A (zh) * | 2015-08-10 | 2015-11-11 | 北京工业大学 | 一种用于个性化社会图像推荐的视觉注意-标签-用户兴趣树的构建方法 |
CN105975922A (zh) * | 2016-04-29 | 2016-09-28 | 乐视控股(北京)有限公司 | 信息处理方法及装置 |
CN106844445A (zh) * | 2016-12-16 | 2017-06-13 | 天津大学 | 基于语义的资源描述框架rdf图划分方法 |
CN108431800A (zh) * | 2015-12-17 | 2018-08-21 | 株式会社日立制作所 | 图像处理装置、图像检索界面显示装置以及图像检索界面的显示方法 |
CN108496185A (zh) * | 2016-01-18 | 2018-09-04 | 北京市商汤科技开发有限公司 | 用于对象检测的系统和方法 |
CN109376259A (zh) * | 2018-12-10 | 2019-02-22 | 广东潮庭集团有限公司 | 一种基于大数据分析的标签分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980537A (zh) * | 2010-10-21 | 2011-02-23 | 北京航空航天大学 | 一种基于对象和分形的双目立体视频压缩编解码方法 |
CN103207910A (zh) * | 2013-04-08 | 2013-07-17 | 河南大学 | 基于分层特征和遗传规划相关反馈的图像检索方法 |
US20130266214A1 (en) * | 2012-04-06 | 2013-10-10 | Brighham Young University | Training an image processing neural network without human selection of features |
-
2013
- 2013-10-23 CN CN201310505213.5A patent/CN103530405B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101980537A (zh) * | 2010-10-21 | 2011-02-23 | 北京航空航天大学 | 一种基于对象和分形的双目立体视频压缩编解码方法 |
US20130266214A1 (en) * | 2012-04-06 | 2013-10-10 | Brighham Young University | Training an image processing neural network without human selection of features |
CN103207910A (zh) * | 2013-04-08 | 2013-07-17 | 河南大学 | 基于分层特征和遗传规划相关反馈的图像检索方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867114A (zh) * | 2015-04-13 | 2015-08-26 | 湖南大学 | 一种基于条件随机场的古籍扫描图像背面渗透盲去除方法 |
CN104867114B (zh) * | 2015-04-13 | 2018-01-09 | 湖南大学 | 一种基于条件随机场的古籍扫描图像背面渗透盲去除方法 |
CN105045907A (zh) * | 2015-08-10 | 2015-11-11 | 北京工业大学 | 一种用于个性化社会图像推荐的视觉注意-标签-用户兴趣树的构建方法 |
CN105045907B (zh) * | 2015-08-10 | 2018-03-09 | 北京工业大学 | 一种用于个性化社会图像推荐的视觉注意‑标签‑用户兴趣树的构建方法 |
CN108431800A (zh) * | 2015-12-17 | 2018-08-21 | 株式会社日立制作所 | 图像处理装置、图像检索界面显示装置以及图像检索界面的显示方法 |
CN108431800B (zh) * | 2015-12-17 | 2021-12-14 | 株式会社日立制作所 | 图像处理装置以及图像检索界面的显示方法 |
CN108496185A (zh) * | 2016-01-18 | 2018-09-04 | 北京市商汤科技开发有限公司 | 用于对象检测的系统和方法 |
CN105975922A (zh) * | 2016-04-29 | 2016-09-28 | 乐视控股(北京)有限公司 | 信息处理方法及装置 |
CN106844445A (zh) * | 2016-12-16 | 2017-06-13 | 天津大学 | 基于语义的资源描述框架rdf图划分方法 |
CN106844445B (zh) * | 2016-12-16 | 2020-08-14 | 天津大学 | 基于语义的资源描述框架rdf图划分方法 |
CN109376259A (zh) * | 2018-12-10 | 2019-02-22 | 广东潮庭集团有限公司 | 一种基于大数据分析的标签分类方法 |
CN109376259B (zh) * | 2018-12-10 | 2022-03-01 | 广东潮庭集团有限公司 | 一种基于大数据分析的标签分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103530405B (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530405A (zh) | 一种基于分层结构的图像检索方法 | |
CN103530403B (zh) | 一种结构化的图像描述方法 | |
Bang et al. | Explaining a black-box by using a deep variational information bottleneck approach | |
CN103823824B (zh) | 一种借助互联网自动构建文本分类语料库的方法及系统 | |
CN110909164A (zh) | 一种基于卷积神经网络的文本增强语义分类方法及系统 | |
CN101692224B (zh) | 融合空间关系语义的高分辨率遥感图像检索方法 | |
CN110555568B (zh) | 一种基于社交网络信息的道路交通运行状态实时感知方法 | |
CN102567464A (zh) | 基于扩展主题图的知识资源组织方法 | |
CN105631479A (zh) | 基于非平衡学习的深度卷积网络图像标注方法及装置 | |
CN112241481A (zh) | 基于图神经网络的跨模态新闻事件分类方法及系统 | |
US8874581B2 (en) | Employing topic models for semantic class mining | |
CN112256939B (zh) | 一种针对化工领域的文本实体关系抽取方法 | |
CN110059181A (zh) | 面向大规模分类体系的短文本标签方法、系统、装置 | |
CN107977363A (zh) | 标题生成方法、装置和电子设备 | |
CN108038205A (zh) | 针对中文微博的观点分析原型系统 | |
CN108897778A (zh) | 一种基于多源大数据分析的图像标注方法 | |
CN104142995A (zh) | 基于视觉属性的社会事件识别方法 | |
CN107346327A (zh) | 基于监督转移的零样本哈希图片检索方法 | |
CN106528648A (zh) | 结合Redis内存数据库的分布式RDF关键词近似搜索方法 | |
Liao et al. | Tag features for geo-aware image classification | |
CN106897776A (zh) | 一种基于名义属性的连续型特征构造方法 | |
CN108170823A (zh) | 一种基于高层语义属性理解的手绘交互式三维模型检索方法 | |
CN116541911A (zh) | 一种基于人工智能的包装设计系统 | |
CN113139141A (zh) | 用户标签扩展标注方法、装置、设备及存储介质 | |
CN104036021A (zh) | 混合生成式和判别式学习模型的图像语义标注方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |