CN103605667A - 一种图像自动标注算法 - Google Patents

一种图像自动标注算法 Download PDF

Info

Publication number
CN103605667A
CN103605667A CN201310514942.7A CN201310514942A CN103605667A CN 103605667 A CN103605667 A CN 103605667A CN 201310514942 A CN201310514942 A CN 201310514942A CN 103605667 A CN103605667 A CN 103605667A
Authority
CN
China
Prior art keywords
image
training
selecting
samples
label
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
Application number
CN201310514942.7A
Other languages
English (en)
Other versions
CN103605667B (zh
Inventor
章东平
李艳洁
杨力
芦亚飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Original Assignee
China Jiliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN201310514942.7A priority Critical patent/CN103605667B/zh
Publication of CN103605667A publication Critical patent/CN103605667A/zh
Application granted granted Critical
Publication of CN103605667B publication Critical patent/CN103605667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Library & Information Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像自动标注算法，包括步骤：步骤（1）图像数据集特征提取：通过对数据集中的图像进行特征提取来获得图像的底层信息；步骤（2）图像训练集选择：通过选择最权威、最标准的数据集进行图像自动标注算法的训练，该数据集要含有多种特征和最丰富的图像资源，从数据集选取n个数据作为训练样本，其中部分样本已标注，其余样本无标注；步骤（3）图像标注算法训练：通过对得到的样本进行特征选择，并采用约束项来优化标注结果；步骤（4）图像自动标注：通过选择阈值，对预测标签进行处理。本发明的基于稀疏结构特征选择的图像标注方法实现了对图像自动标注，具有开创性意义。

Description

一种图像自动标注算法
技术领域
本发明涉及一种图像自动标注的方法，属于图像检索、分类和识别领域。
背景技术
    随着数码相机和其他电子设备越来越流行，图像的数量正在迅速增加。因此，如何有效地管理和检索网络多媒体信息成为一个迫切需要解决的问题。在过去的几十年里，有大量的研究基于内容的图像检索，却受于语义鸿沟的限制，不能完全满足用户的需求。用户习惯于使用关键字进行查询，但人工标注是一个非常费力的工作，从而催生了图像自动标注的发展。图像自动标注是反映语义内容让计算机自动添加图像并标注没有标记的图像，它的关键是实现了图像的语义检索领域的研究。
发明内容
为了解决在大数据图像标注的过程中所耗费的人力和对无标签数据结构的充分利用等问题，本发明提供一种图像自动标注算法，包括步骤：
步骤（1）图像数据集特征提取：通过对数据集中的图像进行特征提取来获得图像的底层信息；
步骤（2）图像训练集选择：通过选择最权威、最标准的数据集进行图像自动标注算法的训练，该数据集要含有多种特征和最丰富的图像资源，从数据集选取n个数据作为训练样本，其中部分样本已标注，其余样本无标注；
步骤（3）图像标注算法训练：通过对得到的样本进行特征选择，并采用约束项来优化标注结果；
步骤（4）图像自动标注：通过选择阈值，对预测标签进行处理。
进一步的，步骤（1）中选用的特征类型包括：颜色直方图、逐块颜色矩、边缘方向直方图、颜色相关图、脸部特征、小波纹理和基于SIFT描述词袋。
进一步的，所述步骤（2）中对图像训练集选择具体为：
1） 共选取n个样本                                                
Figure 521769DEST_PATH_IMAGE001
，其中m个样本有标签。从每个样本中选取上述三种特征作为该样本的一个特征向量，记为
Figure 868436DEST_PATH_IMAGE002
，
Figure 280963DEST_PATH_IMAGE003
为特征向量的维数；
2） 
Figure 105700DEST_PATH_IMAGE004
是标签矩阵，
Figure 287282DEST_PATH_IMAGE005
是标签类的数目，其中
Figure 804851DEST_PATH_IMAGE006
个样本有标签。若
Figure 704674DEST_PATH_IMAGE007
属于第
Figure 333102DEST_PATH_IMAGE008
类，则
Figure 369191DEST_PATH_IMAGE009
，否则为零；若
Figure 57661DEST_PATH_IMAGE007
没有标签，则为全0的向量；
进一步的，所述步骤（3）对图像标注算法训练具体为：
1）         构建线性回归函数为，
Figure 767494DEST_PATH_IMAGE012
是训练集， 
Figure 564549DEST_PATH_IMAGE013
是标签集，
Figure 235702DEST_PATH_IMAGE014
 是投影矩阵； 
Figure 409194DEST_PATH_IMAGE015
定义为有n个全为1的列向量。是偏置量， 
Figure 450148DEST_PATH_IMAGE003
是原始特征的维数， 是训练数据的数目 和
Figure 54622DEST_PATH_IMAGE005
 是标签类的数目；
Figure 185389DEST_PATH_IMAGE018
 是为了特征选择从
Figure 410001DEST_PATH_IMAGE019
到
Figure 993429DEST_PATH_IMAGE020
的映射矩阵。训练模型定义为：
Figure 305461DEST_PATH_IMAGE021
，
Figure 290735DEST_PATH_IMAGE022
是一个逻辑损失函数，
Figure 600494DEST_PATH_IMAGE023
是正则化参数；
2）         定义一个预测矩阵为：，其中
Figure 786941DEST_PATH_IMAGE025
满
Figure 689038DEST_PATH_IMAGE026
；
3）         采用拉普拉斯构图的流形学习方法：
损失函数最小化定义为：
Figure 169698DEST_PATH_IMAGE027
，定义了一个拉普拉斯矩阵为： 
Figure 524456DEST_PATH_IMAGE028
，其中
Figure 381554DEST_PATH_IMAGE029
是一个对角矩阵，定义式为：
Figure 75840DEST_PATH_IMAGE030
，
Figure 789718DEST_PATH_IMAGE031
 是权值函数，与
Figure 835035DEST_PATH_IMAGE007
 和
Figure 292561DEST_PATH_IMAGE032
的关系是： 
Figure 841354DEST_PATH_IMAGE033
；
4）         为了提高标签符合度，即在测试过程中，使预测的标签更匹配原始标签
Figure 258746DEST_PATH_IMAGE020
：优化项为：，定义了一个对角矩阵
Figure 923262DEST_PATH_IMAGE035
，其中若
Figure 182205DEST_PATH_IMAGE007
有标签，则
Figure 733272DEST_PATH_IMAGE036
，若没有标签，则
Figure 735863DEST_PATH_IMAGE037
；
5）         由式
Figure 321566DEST_PATH_IMAGE011
，即最小二乘表达式可写为：
Figure 485831DEST_PATH_IMAGE038
，其中
Figure 727456DEST_PATH_IMAGE039
和
Figure 330476DEST_PATH_IMAGE040
表示有标签的训练数据和它们原始真实标签。若使用半监督的学习方法，即n个样本中有m个有标签，则最小二乘残差可表示为：
Figure 708368DEST_PATH_IMAGE041
；
6）         由于训练数据量较大，所以要较有效的表示图像内容是用
很少的数据来捕获感兴趣目标，所用稀疏表示
Figure 371430DEST_PATH_IMAGE042
的定义如下： 
Figure 834772DEST_PATH_IMAGE043
；
7）         预测标签理想值为0或1，即：
Figure 801777DEST_PATH_IMAGE044
。综上所
述，最优化的目标函数表达式为：；
8）         最优化的目标函数表达式中所用参数有
Figure 524063DEST_PATH_IMAGE046
、
Figure 468885DEST_PATH_IMAGE047
、
Figure 821369DEST_PATH_IMAGE023
，其中参
数
Figure 560655DEST_PATH_IMAGE023
和
Figure 998589DEST_PATH_IMAGE047
可从
Figure 747102DEST_PATH_IMAGE048
中通过实验测试选取，
Figure 954093DEST_PATH_IMAGE046
可通过实验测得最优解得到；
通过迭代法求解上述的最优化问题，得到矩阵
Figure 67542DEST_PATH_IMAGE018
、
Figure 55090DEST_PATH_IMAGE025
、b。
进一步的，所述步骤（4）中图像自动标注具体为：选择阈值T，对进行阈值处理，即得检测图像的标签
Figure 668791DEST_PATH_IMAGE049
，通过阈值后所得的标签
Figure 953142DEST_PATH_IMAGE049
为：
Figure 162406DEST_PATH_IMAGE050
其中，
Figure 190405DEST_PATH_IMAGE051
，
Figure 371988DEST_PATH_IMAGE052
为检测的样本数。
     本发明的基于稀疏结构特征选择的图像标注方法实现了对图像自动标注，具有开创性意义。
附图说明
图1是本发明的图像标注方法流程图；
图2是图像标注算法结构示意图；
图3是图像标注研究的图像示例示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，基于稀疏结构特征选择的图像标注方法，包括如下步骤：
步骤（1）图像数据集特征提取：通过对数据集中的图像进行特征提取来获得图像的底层信息。选用的特征类型包括：颜色直方图、逐块颜色矩、边缘方向直方图、颜色相关图、脸部特征、小波纹理和基于SIFT描述词袋。
步骤（2）图像训练集选择：通过选择最权威、最标准的数据集进行图像自动标注算法的训练，该数据集要含有多种特征和最丰富的图像资源。从数据集选取n个数据作为训练样本，其中部分样本已标注，其余样本无标注。
步骤（3）图像标注算法训练：通过对得到的样本进行特征选择，并采用约束项来优化标注结果。
步骤（4）图像自动标注：通过选择阈值，对预测标签进行处理。
所述步骤（2）中对图像训练集选择的步骤为：
1） 共选取n个样本
Figure 889557DEST_PATH_IMAGE053
，其中m个样本有标签。从每个样本中选取上述三种特征作为该样本的一个特征向量，记为
Figure 789380DEST_PATH_IMAGE002
，
Figure 417807DEST_PATH_IMAGE003
为特征向量的维数。
2） 是标签矩阵，
Figure 80050DEST_PATH_IMAGE005
是标签类的数目，其中
Figure 263906DEST_PATH_IMAGE006
个样本有标签。若
Figure 633708DEST_PATH_IMAGE007
属于第类，则
Figure 649254DEST_PATH_IMAGE009
，否则为零；若
Figure 320407DEST_PATH_IMAGE007
没有标签，则
Figure 228320DEST_PATH_IMAGE010
为全0的向量。
所述步骤（3）对图像标注算法训练的步骤为：
9）         构建线性回归函数为
Figure 301318DEST_PATH_IMAGE011
，是训练集， 
Figure 365406DEST_PATH_IMAGE013
是标签集，
Figure 139327DEST_PATH_IMAGE014
 是投影矩阵。 
Figure 270094DEST_PATH_IMAGE015
定义为有n个全为1的列向量。
Figure 471269DEST_PATH_IMAGE016
是偏置量， 
Figure 789117DEST_PATH_IMAGE003
是原始特征的维数，
Figure 304412DEST_PATH_IMAGE017
 是训练数据的数目 和
Figure 352003DEST_PATH_IMAGE005
 是标签类的数目。  是为了特征选择从
Figure 529223DEST_PATH_IMAGE019
到
Figure 582630DEST_PATH_IMAGE020
的映射矩阵。训练模型定义为：，
Figure 965387DEST_PATH_IMAGE022
是一个逻辑损失函数，
Figure 523407DEST_PATH_IMAGE023
是正则化参数。
10）    定义一个预测矩阵为：
Figure 177242DEST_PATH_IMAGE024
，其中
Figure 137108DEST_PATH_IMAGE025
满
。
11）    采用拉普拉斯构图的流形学习方法：
损失函数最小化定义为：
Figure 630723DEST_PATH_IMAGE027
，定义了一个拉普拉斯矩阵为： 
Figure 88249DEST_PATH_IMAGE028
，其中
Figure 902622DEST_PATH_IMAGE029
是一个对角矩阵，定义式为：， 是权值函数，与
Figure 315651DEST_PATH_IMAGE007
 和的关系是： 
Figure 40211DEST_PATH_IMAGE033
12）    为了提高标签符合度，即在测试过程中，使预测的标签
Figure 794540DEST_PATH_IMAGE025
更匹配原始标签
Figure 797131DEST_PATH_IMAGE020
。优化项为：
Figure 382833DEST_PATH_IMAGE034
，定义了一个对角矩阵
Figure 547099DEST_PATH_IMAGE035
，其中若
Figure 788724DEST_PATH_IMAGE007
有标签，则
Figure 391744DEST_PATH_IMAGE036
，若没有标签，则。
13）    由式
Figure 432698DEST_PATH_IMAGE011
，即最小二乘表达式可写为：
Figure 896040DEST_PATH_IMAGE038
，其中
Figure 302751DEST_PATH_IMAGE039
和
Figure 535149DEST_PATH_IMAGE040
表示有标签的训练数据和它们原始真实标签。若使用半监督的学习方法，即n个样本中有m个有标签，则最小二乘残差可表示为：
Figure 369113DEST_PATH_IMAGE041
。
14）    由于训练数据量较大，所以要较有效的表示图像内容是用
很少的数据来捕获感兴趣目标，所用稀疏表示
Figure 319751DEST_PATH_IMAGE042
的定义如下： 
Figure 202257DEST_PATH_IMAGE043
。
15）    预测标签
Figure 617058DEST_PATH_IMAGE025
理想值为0或1，即：
Figure 559606DEST_PATH_IMAGE044
。综上所
述，最优化的目标函数表达式为：
16）    最优化的目标函数表达式中所用参数有
Figure 746053DEST_PATH_IMAGE046
、、
Figure 128810DEST_PATH_IMAGE023
，其中参
数
Figure 54041DEST_PATH_IMAGE023
和
Figure 340666DEST_PATH_IMAGE047
可从中通过实验测试选取，
Figure 748830DEST_PATH_IMAGE046
可通过实验测得最优解得到。
通过迭代法求解上述的最优化问题，得到矩阵
Figure 161357DEST_PATH_IMAGE018
、
Figure 251673DEST_PATH_IMAGE025
、b。
所述步骤（4）中图像自动标注，其特征是：选择阈值T，对
Figure 433256DEST_PATH_IMAGE025
进行阈值处理，即得检测图像的标签
Figure 888508DEST_PATH_IMAGE049
。通过阈值后所得的标签
Figure 585068DEST_PATH_IMAGE049
为：
其中，
Figure 515164DEST_PATH_IMAGE054
，
Figure 141317DEST_PATH_IMAGE052
为检测的样本数。

Claims (5)

1.一种图像自动标注算法，包括步骤：
步骤（1）图像数据集特征提取：通过对数据集中的图像进行特征提取来获得图像的底层信息；
步骤（2）图像训练集选择：通过选择最权威、最标准的数据集进行图像自动标注算法的训练，该数据集要含有多种特征和最丰富的图像资源，从数据集选取n个数据作为训练样本，其中部分样本已标注，其余样本无标注；
步骤（3）图像标注算法训练：通过对得到的样本进行特征选择，并采用约束项来优化标注结果；
步骤（4）图像自动标注：通过选择阈值，对预测标签进行处理。
2.如权利要求1所述的图像自动标注算法，其特征在于：步骤（1）中选用的特征类型包括：颜色直方图、逐块颜色矩、边缘方向直方图、颜色相关图、脸部特征、小波纹理和基于SIFT描述词袋。
3.如权利要求1所述的图像自动标注算法，其特征在于：所述步骤（2）中对图像训练集选择具体为：
1） 共选取n个样本                                                
Figure 995584DEST_PATH_IMAGE001
，其中m个样本有标签；
从每个样本中选取上述三种特征作为该样本的一个特征向量，记为
Figure 427703DEST_PATH_IMAGE002
，为特征向量的维数；
2） 
Figure 443249DEST_PATH_IMAGE004
是标签矩阵，
Figure 114402DEST_PATH_IMAGE005
是标签类的数目，其中
Figure 22315DEST_PATH_IMAGE006
个样本有标签；
若
Figure 95313DEST_PATH_IMAGE007
属于第
Figure 149024DEST_PATH_IMAGE008
类，则
Figure 245156DEST_PATH_IMAGE009
，否则为零；若
Figure 19077DEST_PATH_IMAGE007
没有标签，则
Figure 946581DEST_PATH_IMAGE010
为全0的向量。
4.如权利要求1所述的图像自动标注算法，其特征在于：所述步骤（3）对图像标注算法训练具体为：
构建线性回归函数为
Figure 85439DEST_PATH_IMAGE011
，
Figure 731184DEST_PATH_IMAGE012
是训练集， 
Figure 308795DEST_PATH_IMAGE013
是标签集，
Figure 28490DEST_PATH_IMAGE014
 是投影矩阵； 
Figure 400565DEST_PATH_IMAGE015
定义为有n个全为1的列向量；
Figure 471289DEST_PATH_IMAGE016
是偏置量， 是原始特征的维数，
Figure 676061DEST_PATH_IMAGE017
 是训练数据的数目 和
Figure 156721DEST_PATH_IMAGE005
 是标签类的数目；
Figure 777058DEST_PATH_IMAGE018
 是为了特征选择从
Figure 368576DEST_PATH_IMAGE019
到
Figure 62863DEST_PATH_IMAGE020
的映射矩阵；
训练模型定义为：
Figure 42320DEST_PATH_IMAGE021
，
Figure 822057DEST_PATH_IMAGE022
是一个逻辑损失函数，
Figure 217266DEST_PATH_IMAGE023
是正则化参数；
定义一个预测矩阵为：，其中
Figure 916418DEST_PATH_IMAGE025
满
Figure 245768DEST_PATH_IMAGE026
；
采用拉普拉斯构图的流形学习方法：
损失函数最小化定义为：
Figure 444668DEST_PATH_IMAGE027
，定义了一个拉普拉斯矩阵为： 
Figure 113547DEST_PATH_IMAGE028
，其中
Figure 169228DEST_PATH_IMAGE029
是一个对角矩阵，定义式为：
Figure 923557DEST_PATH_IMAGE030
， 是权值函数，与
Figure 246271DEST_PATH_IMAGE007
 和的关系是： 
Figure 980058DEST_PATH_IMAGE033
；
为了提高标签符合度，即在测试过程中，使预测的标签更匹配原始标签
Figure 898652DEST_PATH_IMAGE020
：优化项为：
Figure 296136DEST_PATH_IMAGE034
，定义了一个对角矩阵
Figure 25057DEST_PATH_IMAGE035
，其中若
Figure 103872DEST_PATH_IMAGE007
有标签，则
Figure 664166DEST_PATH_IMAGE036
，若没有标签，则
Figure 498130DEST_PATH_IMAGE037
；
由式
Figure 448768DEST_PATH_IMAGE011
，即最小二乘表达式可写为：
Figure 331274DEST_PATH_IMAGE038
，其中和
Figure 688623DEST_PATH_IMAGE040
表示有标签的训练数据和它们原始真实标签；
若使用半监督的学习方法，即n个样本中有m个有标签，则最小二乘残差可表示为：
Figure 188874DEST_PATH_IMAGE041
；
由于训练数据量较大，所以要较有效的表示图像内容是用
很少的数据来捕获感兴趣目标，所用稀疏表示
Figure 609491DEST_PATH_IMAGE042
的定义如下： 
Figure 82061DEST_PATH_IMAGE043
；
预测标签
Figure 257827DEST_PATH_IMAGE025
理想值为0或1，即：
Figure 183058DEST_PATH_IMAGE044
；
综上所
述，最优化的目标函数表达式为：
Figure 407366DEST_PATH_IMAGE045
；
最优化的目标函数表达式中所用参数有、
Figure 815530DEST_PATH_IMAGE047
、
Figure 290374DEST_PATH_IMAGE023
，其中参
数
Figure 380690DEST_PATH_IMAGE023
和
Figure 562272DEST_PATH_IMAGE047
可从
Figure 814262DEST_PATH_IMAGE048
中通过实验测试选取，
Figure 714085DEST_PATH_IMAGE046
可通过实验测得最优解得到；
通过迭代法求解上述的最优化问题，得到矩阵
Figure 280196DEST_PATH_IMAGE018
、
Figure 644181DEST_PATH_IMAGE025
、b。
5.如权利要求4所述的图像自动标注算法，其特征在于：所述步骤（4）中图像自动标注具体为：选择阈值T，对进行阈值处理，即得检测图像的标签
Figure 391874DEST_PATH_IMAGE049
，通过阈值后所得的标签
Figure 823992DEST_PATH_IMAGE049
为：
Figure 714588DEST_PATH_IMAGE050
其中，
Figure 573960DEST_PATH_IMAGE051
，
Figure 182796DEST_PATH_IMAGE052
为检测的样本数。
CN201310514942.7A 2013-10-28 2013-10-28 一种图像自动标注算法 Active CN103605667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310514942.7A CN103605667B (zh) 2013-10-28 2013-10-28 一种图像自动标注算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310514942.7A CN103605667B (zh) 2013-10-28 2013-10-28 一种图像自动标注算法

Publications (2)

Publication Number Publication Date
CN103605667A true CN103605667A (zh) 2014-02-26
CN103605667B CN103605667B (zh) 2017-02-08

Family

ID=50123892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310514942.7A Active CN103605667B (zh) 2013-10-28 2013-10-28 一种图像自动标注算法

Country Status (1)

Country Link
CN (1) CN103605667B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942561A (zh) * 2014-03-20 2014-07-23 杭州禧颂科技有限公司 一种基于主动学习的图像标注方法
CN103955527A (zh) * 2014-05-09 2014-07-30 合肥工业大学 基于连续数标号子空间学习的检索重排序方法
CN104331712A (zh) * 2014-11-24 2015-02-04 齐齐哈尔格林环保科技开发有限公司 一种藻类细胞图像自动分类方法
CN104346456A (zh) * 2014-10-31 2015-02-11 海南大学 基于空间依赖性度量的数字图像多语义标注方法
CN105468805A (zh) * 2014-09-25 2016-04-06 利弗莫尔软件技术公司 数字模拟结果的图形表示的表征
CN105701502A (zh) * 2016-01-06 2016-06-22 福州大学 一种基于蒙特卡罗数据均衡的图像自动标注方法
CN107169532A (zh) * 2017-06-14 2017-09-15 北京航空航天大学 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法
CN107590167A (zh) * 2017-01-18 2018-01-16 南京邮电大学 一种基于归纳型矩阵补全的大规模社交图像自动标注算法
CN107886104A (zh) * 2016-09-30 2018-04-06 法乐第(北京)网络科技有限公司 一种图像的标注方法
CN107886105A (zh) * 2016-09-30 2018-04-06 法乐第(北京)网络科技有限公司 一种图像的标注装置
CN107909114A (zh) * 2017-11-30 2018-04-13 深圳地平线机器人科技有限公司 训练有监督机器学习的模型的方法和装置
CN108537269A (zh) * 2018-04-04 2018-09-14 中山大学 一种弱交互式的物体检测深度学习方法及其系统
CN108805986A (zh) * 2017-04-28 2018-11-13 丰田自动车株式会社 图像传送装置、图像传送方法以及非暂态存储介质
CN108961243A (zh) * 2018-07-05 2018-12-07 广东工业大学 一种基于机器学习的篡改视频标注方法及装置
CN109359558A (zh) * 2018-09-26 2019-02-19 腾讯科技（深圳）有限公司 图像标注方法、目标检测方法、装置及存储介质
CN109583325A (zh) * 2018-11-12 2019-04-05 平安科技（深圳）有限公司 人脸样本图片标注方法、装置、计算机设备及存储介质
CN110705335A (zh) * 2018-07-10 2020-01-17 北京京东尚科信息技术有限公司 一种样本图片的标注方法和装置
CN113449632A (zh) * 2021-06-28 2021-09-28 重庆长安汽车股份有限公司 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车
CN113592029A (zh) * 2021-08-17 2021-11-02 大连大学附属中山医院 一种小样本条件下医学图像自动标注方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7814040B1 (en) * 2006-01-31 2010-10-12 The Research Foundation Of State University Of New York System and method for image annotation and multi-modal image retrieval using probabilistic semantic models
CN101916376A (zh) * 2010-07-06 2010-12-15 浙江大学 基于局部样条嵌入的正交半监督子空间图像分类方法
CN103116893A (zh) * 2013-03-15 2013-05-22 南京大学 基于多示例多标记学习的数字图像标注方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7814040B1 (en) * 2006-01-31 2010-10-12 The Research Foundation Of State University Of New York System and method for image annotation and multi-modal image retrieval using probabilistic semantic models
CN101916376A (zh) * 2010-07-06 2010-12-15 浙江大学 基于局部样条嵌入的正交半监督子空间图像分类方法
CN103116893A (zh) * 2013-03-15 2013-05-22 南京大学 基于多示例多标记学习的数字图像标注方法

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942561A (zh) * 2014-03-20 2014-07-23 杭州禧颂科技有限公司 一种基于主动学习的图像标注方法
CN103942561B (zh) * 2014-03-20 2017-03-29 杭州禧颂科技有限公司 一种基于主动学习的图像标注方法
CN103955527B (zh) * 2014-05-09 2017-02-22 合肥工业大学 基于连续数标号子空间学习的检索重排序方法
CN103955527A (zh) * 2014-05-09 2014-07-30 合肥工业大学 基于连续数标号子空间学习的检索重排序方法
CN105468805B (zh) * 2014-09-25 2020-03-10 利弗莫尔软件技术公司 一种表征数字模拟结果的图形表示的方法
CN105468805A (zh) * 2014-09-25 2016-04-06 利弗莫尔软件技术公司 数字模拟结果的图形表示的表征
CN104346456A (zh) * 2014-10-31 2015-02-11 海南大学 基于空间依赖性度量的数字图像多语义标注方法
CN104346456B (zh) * 2014-10-31 2017-09-08 海南大学 基于空间依赖性度量的数字图像多语义标注方法
CN104331712B (zh) * 2014-11-24 2017-08-25 齐齐哈尔格林环保科技开发有限公司 一种藻类细胞图像自动分类方法
CN104331712A (zh) * 2014-11-24 2015-02-04 齐齐哈尔格林环保科技开发有限公司 一种藻类细胞图像自动分类方法
CN105701502B (zh) * 2016-01-06 2020-11-10 福州大学 一种基于蒙特卡罗数据均衡的图像自动标注方法
CN105701502A (zh) * 2016-01-06 2016-06-22 福州大学 一种基于蒙特卡罗数据均衡的图像自动标注方法
CN107886104A (zh) * 2016-09-30 2018-04-06 法乐第(北京)网络科技有限公司 一种图像的标注方法
CN107886105A (zh) * 2016-09-30 2018-04-06 法乐第(北京)网络科技有限公司 一种图像的标注装置
CN107590167A (zh) * 2017-01-18 2018-01-16 南京邮电大学 一种基于归纳型矩阵补全的大规模社交图像自动标注算法
CN108805986A (zh) * 2017-04-28 2018-11-13 丰田自动车株式会社 图像传送装置、图像传送方法以及非暂态存储介质
CN107169532B (zh) * 2017-06-14 2020-07-03 北京航空航天大学 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法
CN107169532A (zh) * 2017-06-14 2017-09-15 北京航空航天大学 一种基于小波分析和半监督学习的车联网油耗数据质量评估方法
CN107909114A (zh) * 2017-11-30 2018-04-13 深圳地平线机器人科技有限公司 训练有监督机器学习的模型的方法和装置
CN107909114B (zh) * 2017-11-30 2020-07-17 深圳地平线机器人科技有限公司 训练有监督机器学习的模型的方法和装置
CN108537269B (zh) * 2018-04-04 2022-03-25 中山大学 一种弱交互式的物体检测深度学习方法及其系统
CN108537269A (zh) * 2018-04-04 2018-09-14 中山大学 一种弱交互式的物体检测深度学习方法及其系统
CN108961243A (zh) * 2018-07-05 2018-12-07 广东工业大学 一种基于机器学习的篡改视频标注方法及装置
CN110705335A (zh) * 2018-07-10 2020-01-17 北京京东尚科信息技术有限公司 一种样本图片的标注方法和装置
CN109359558B (zh) * 2018-09-26 2020-12-25 腾讯科技（深圳）有限公司 图像标注方法、目标检测方法、装置及存储介质
CN109359558A (zh) * 2018-09-26 2019-02-19 腾讯科技（深圳）有限公司 图像标注方法、目标检测方法、装置及存储介质
WO2020098074A1 (zh) * 2018-11-12 2020-05-22 平安科技（深圳）有限公司 人脸样本图片标注方法、装置、计算机设备及存储介质
CN109583325A (zh) * 2018-11-12 2019-04-05 平安科技（深圳）有限公司 人脸样本图片标注方法、装置、计算机设备及存储介质
CN109583325B (zh) * 2018-11-12 2023-06-27 平安科技（深圳）有限公司 人脸样本图片标注方法、装置、计算机设备及存储介质
CN113449632A (zh) * 2021-06-28 2021-09-28 重庆长安汽车股份有限公司 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车
CN113592029A (zh) * 2021-08-17 2021-11-02 大连大学附属中山医院 一种小样本条件下医学图像自动标注方法及系统

Also Published As

Publication number Publication date
CN103605667B (zh) 2017-02-08

Similar Documents

Publication Publication Date Title
CN103605667B (zh) 一种图像自动标注算法
CN102414680B (zh) 利用跨域知识的语义事件检测
Cheng et al. Salientshape: group saliency in image collections
Murray et al. A deep architecture for unified aesthetic prediction
JP5351958B2 (ja) デジタルコンテンツ記録のための意味論的イベント検出
US20170024384A1 (en) System and method for analyzing and searching imagery
US20080162561A1 (en) Method and apparatus for semantic super-resolution of audio-visual data
CN108268875B (zh) 一种基于数据平滑的图像语义自动标注方法及装置
Feng et al. Transductive multi-instance multi-label learning algorithm with application to automatic image annotation
Kuric et al. ANNOR: Efficient image annotation based on combining local and global features
CN103942214B (zh) 基于多模态矩阵填充的自然图像分类方法及装置
CN115344733A (zh) 基于深度哈希的数字藏品检索方法及系统
CN108665000A (zh) 一种基于不确定性分析的数字图像自动标注方法
CN105117735A (zh) 一种大数据环境下的图像检测方法
de Boer et al. Automatic analysis of online image data for law enforcement agencies by concept detection and instance search
Mallick et al. Video retrieval using salient foreground region of motion vector based extracted keyframes and spatial pyramid matching
Saravanan et al. Efficient image retrieval using indexing technique
Tang et al. One person labels one million images
Yu et al. Automatic image captioning system using integration of N-cut and color-based segmentation method
Feng et al. Adaptive all-season image tag ranking by saliency-driven image pre-classification
Oida et al. Development of presentation slide retrieval system based on visual information
Freytag et al. Interactive image retrieval for biodiversity research
Namala et al. Efficient feature based video retrieval and indexing using pattern change with invariance algorithm
Xu et al. The low-rank decomposition of correlation-enhanced superpixels for video segmentation
Sahertian et al. Automatic Image Annotation Using CMRM with Scene Information

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant