CN108228868A - 基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法 - Google Patents
基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法 Download PDFInfo
- Publication number
- CN108228868A CN108228868A CN201810037199.3A CN201810037199A CN108228868A CN 108228868 A CN108228868 A CN 108228868A CN 201810037199 A CN201810037199 A CN 201810037199A CN 108228868 A CN108228868 A CN 108228868A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- illustrative plates
- data collection
- knowledge mapping
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明是一种基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法,属于分布式计算和软件工程学技术交叉领域。该方法的目的是使机器自动智能的进行图像识别,找到图像中无法直接观察到的信息。本发明建立了数据图谱、信息图谱、知识图谱架构,首先将识别图像中可以观察到的图像与数据图谱结合,实现图像分类,然后将图像中显示的交互关系与信息图谱结合,找到并列关系,最后在知识图谱中的路径上经过知识推理找到隐藏信息,实现信息识别。
Description
技术领域
本发明是一种基基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法。主要用于机器自动智能的识别出图片中无法直接观察到的信息。属于分布式计算和软件工程学技术交叉领域。
背景技术
知识图谱已经成为用标记的有向图形式表示知识的强大工具,并给出文本信息的语义。知识图谱是通过将每个项目、实体或用户做结点表示,并且通过边缘将彼此相互作用的那些结点链接起来构造的图形。结点之间的边可以表示任意关系。与UML类相比,知识图谱具有更丰富的自然语义,表达机制更接近与自然语言,蕴含更多更完整的语义信息。现在很少使用UML来建模自动化应用程序,其中一个原因是UML缺乏正式的需要对应用程序的关键部分进行建模的语义,借助本发明提出的基于数据图谱、信息图谱和知识图谱的三层结构关系框架,进行图像信息识别。本发明主要是通过借助数据图谱、信息图谱、知识图谱的架构去正确的识别出尽可能多的未被标识过的对象。
发明内容
技术问题:本发明的目的主要是引入数据图谱、信息图谱、知识图谱架构使机器自动智能的进行图像信息识别,从分析图像中的已知信息出发,与构建好的三层图谱相结合,最后找到图像中无法直接观察到的信息。
技术方案:本发明是一种策略性方法,可以应用于图片或者摄像机的图像信息目标识别。该方法的目的是使机器自动智能的进行图像识别,找到图像中无法直接观察到的信息。本发明建立了数据图谱、信息图谱、知识图谱架构,首先将识别图像中可以观察到的图像与数据图谱结合,实现图像分类,然后将图像中显示的交互关系与信息图谱结合,找到并列关系,最后在知识图谱中的路径上经过知识推理找到隐藏信息,实现信息识别。
体系结构:本专利建立了一种基于数据图谱、信息图谱、知识图谱的架构。本发明建立了数据图谱、信息图谱、知识图谱架构,首先将识别图像中可以观察到的图像与数据图谱结合,实现图像分类,然后将图像中显示的交互关系与信息图谱结合,找到并列关系,最后在知识图谱中的路径上经过知识推理找到隐藏信息,实现信息识别。
下面给出构建数据图谱、信息图谱、知识图谱的具体说明:
数据图谱:数据图谱能记录图像实体中的基本属性,包括颜色形态等,但是在没有上下文语境的情况下,它们本身没有意义。数据图谱可以用数组、链表、队列、树、栈、图等数据结构来表达。数据图谱也可以记录图像实体中所包含结构出现的频度,包括结构、时间和空间三个层次的频度。数据图谱能描述不同图像实体关联的紧密程度,我们称之为密度,可以反映出哪些实体联系紧密,哪些实体联系稀疏。但是数据图谱只能进行静态分析,无法表达实体之间的交互关系。同时数据图谱上也未对数据的准确性进行分析,可能出现不同的实体但表示同一含义,例如番茄和西红柿,这两种图像实体所具有的属性频度都是相同的,这就产生了数据冗余。
信息图谱:信息是通过数据和数据组合之后的上下文来传达的,经过概念映射和相关关系组合之后的适合分析和解释的信息。信息图谱可以根据关系数据库来表达。信息图谱上进行数据清洗,消除冗余数据。信息图谱可以记录实体之间的直接交互关系。
有益效果:本发明是一种基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法,具有如下一些显著优点:
(1)通过分析图像已有信息,经过知识推理,可以得到图像中无法直接观察到的信息;
(2)借助数据图谱、信息图谱、知识图谱架构,分层分析,是信息识别结果更加精确和完整;
(3)基于三层架构与图像信息进行比较,实现高效信息识别。
附图说明
图1是对数据图谱,信息图谱和知识图谱的形式化定义。
图2是基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强程的具体流程图。
具体实施方式
一种基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法的具体流程如下:
步骤1)根据已有图像资源,建立基于数据图谱、信息图谱、知识图谱的框架;
步骤2)输入待识别图像;
步骤3)进行图像分割,提取出图像中一些具有指定特征的部分,作为图像分割模块的输入。遍历数据图谱,对其进行图像分类,分为A、B、C;
步骤4)基于步骤3中获得的图像分割模块对图像进行关系提取;
步骤7)将步骤4中提取到的图像关系与步骤5中获得的实体之间的关系进行匹配,并找到图像关系在信息图谱中对应的所有并列关系;
步骤8)在步骤6得到的关系路径上找到一条可以一直成立的并列关系,且这个并列关系与步骤4中获得的图像关系不同,则称这条并列关系为隐藏信息;
步骤9)输出隐藏信息,即信息识别结果。
Claims (1)
1.本发明建立了数据图谱、信息图谱、知识图谱架构,首先将识别图像中可以观察到的图像与数据图谱结合,实现图像分类,然后将图像中显示的交互关系与信息图谱结合,找到并列关系,最后在知识图谱中的路径上经过知识推理找到隐藏信息,实现信息识别,一种基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法的具体流程如下:
步骤1)根据已有图像资源,建立基于数据图谱、信息图谱、知识图谱的框架;
步骤2)输入待识别图像;
步骤3)进行图像分割,提取出图像中一些具有指定特征的部分,作为图像分割模块的输入;
遍历数据图谱,对其进行图像分类,分为A、B、C;
步骤4)基于步骤3中获得的图像分割模块对图像进行关系提取;
步骤5)基于步骤3中获得的图像分类结果,遍历信息图谱,找到两两实体之间的直接交
互关系,如果实体A和实体B之间的两个交互关系()可以同时出现,且同时
出现的频率大于一个阈值,则称这两个交互关系为并列关系;
步骤6)基于步骤3中获得的图像分类结果,遍历知识图谱,找到图像中所有实体之间的
关系路径,比如();
步骤7)将步骤4中提取到的图像关系与步骤5中获得的实体之间的关系进行匹配,并找到图像关系在信息图谱中对应的所有并列关系;
步骤8)在步骤6得到的关系路径上找到一条可以一直成立的并列关系,且这个并列关系与步骤4中获得的图像关系不同,则称这条并列关系为隐藏信息;
步骤9)输出隐藏信息,即信息识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037199.3A CN108228868B (zh) | 2018-01-15 | 2018-01-15 | 基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810037199.3A CN108228868B (zh) | 2018-01-15 | 2018-01-15 | 基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108228868A true CN108228868A (zh) | 2018-06-29 |
CN108228868B CN108228868B (zh) | 2019-07-23 |
Family
ID=62641337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810037199.3A Active CN108228868B (zh) | 2018-01-15 | 2018-01-15 | 基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108228868B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528993A (zh) * | 2020-12-17 | 2021-03-19 | 济南浪潮高新科技投资发展有限公司 | 一种基于知识图谱的图像识别准确率提升方法 |
CN112966924A (zh) * | 2021-03-02 | 2021-06-15 | 杭州全视软件有限公司 | 一种基于风险图谱的数据治理系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923653A (zh) * | 2010-08-17 | 2010-12-22 | 北京大学 | 一种基于多层次内容描述的图像分类方法 |
CN103632166A (zh) * | 2013-12-04 | 2014-03-12 | 西安电子科技大学 | 基于融合显著信息的潜在主题极光图像分类方法 |
US20150206169A1 (en) * | 2014-01-17 | 2015-07-23 | Google Inc. | Systems and methods for extracting and generating images for display content |
CN107038262A (zh) * | 2017-05-30 | 2017-08-11 | 海南大学 | 一种关联频度计算的基于数据图谱、信息图谱和知识图谱框架的语义建模及抽象增强方法 |
-
2018
- 2018-01-15 CN CN201810037199.3A patent/CN108228868B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923653A (zh) * | 2010-08-17 | 2010-12-22 | 北京大学 | 一种基于多层次内容描述的图像分类方法 |
CN103632166A (zh) * | 2013-12-04 | 2014-03-12 | 西安电子科技大学 | 基于融合显著信息的潜在主题极光图像分类方法 |
US20150206169A1 (en) * | 2014-01-17 | 2015-07-23 | Google Inc. | Systems and methods for extracting and generating images for display content |
CN107038262A (zh) * | 2017-05-30 | 2017-08-11 | 海南大学 | 一种关联频度计算的基于数据图谱、信息图谱和知识图谱框架的语义建模及抽象增强方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528993A (zh) * | 2020-12-17 | 2021-03-19 | 济南浪潮高新科技投资发展有限公司 | 一种基于知识图谱的图像识别准确率提升方法 |
CN112966924A (zh) * | 2021-03-02 | 2021-06-15 | 杭州全视软件有限公司 | 一种基于风险图谱的数据治理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108228868B (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Semantic relationships guided representation learning for facial action unit recognition | |
Wang et al. | Temporal segment networks: Towards good practices for deep action recognition | |
CN111967615B (zh) | 基于特征抽取的多模型训练方法及设备、电子设备和介质 | |
Yang et al. | Collaborative learning of gesture recognition and 3D hand pose estimation with multi-order feature analysis | |
CN103988232A (zh) | 使用运动流形来改进图像匹配 | |
Varghese et al. | A deep learning approach to predict crowd behavior based on emotion | |
CN110309360B (zh) | 短视频标签标注方法及系统 | |
US20160307044A1 (en) | Process for generating a video tag cloud representing objects appearing in a video content | |
CN108228868A (zh) | 基于数据图谱、信息图谱和知识图谱的图像信息目标识别增强方法 | |
Yang et al. | Out-of-distribution detection with semantic mismatch under masking | |
CN113239184B (zh) | 知识库获取方法、装置、计算机设备及存储介质 | |
CN108268651A (zh) | 基于数据、信息和知识三层图谱架构的图像信息目标识别方法 | |
Mazzia et al. | A survey on knowledge editing of neural networks | |
CN114661951A (zh) | 一种视频处理方法、装置、计算机设备以及存储介质 | |
Chatbri et al. | Automatic MOOC video classification using transcript features and convolutional neural networks | |
Zhou et al. | A deep learning algorithm for fast motion video sequences based on improved codebook model | |
Sowmya et al. | Convolutional Neural Network (CNN) Fundamental Operational Survey | |
Deng et al. | Addressing multiple salient object detection via dual-space long-range dependencies | |
Dat et al. | Leaf recognition based on joint learning multiloss of multimodel convolutional neural networks: a testing for Vietnamese herb | |
Siadari et al. | Three‐stream network with context convolution module for human–object interaction detection | |
Yu et al. | An interactive network based on transformer for multimodal crowd counting | |
Xu et al. | Panel-page-aware comic genre understanding | |
Xu et al. | Deep Neural Network‐Based Sports Marketing Video Detection Research | |
Divya et al. | An Empirical Study on Fake News Detection System using Deep and Machine Learning Ensemble Techniques | |
Yang et al. | Multi-scale Deep Feature Transfer for Automatic Video Object Segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |