基于Google与Baidu自动采集与标注Web图像

针对日益丰富的网上图像资源,给出了一种基于Google与Baidu的Web图像自动采集的实现方法,构架了一种海量Web图像资源自动获取与语义标注模式,在各种图像库的建立和基于语义的图像检索上能有较好的应用。     

基于Google与Baidu的Web图像自动采集与标注的实现

针对日益丰富的网上图像资源，给出一种基于Google与Baidu的Web图像自动采集的实现方法，构架了一种海量Web图像资源自动获取与语义标注模式，在各种图像库的建立和基于语义的图像检索上能有较好的应用。     

弱标签环境下基于语义邻域学习的图像标注

图像语义自动标注是实现图像语义检索与管理的关键,是具有挑战性的研究课题.传统的图像标注方法需要具有完整、准确标签的数据集才能取得较好的标注性能.然而,在现实应用中获得数据的标签往往是不准确、不完整的,并且标签分布不均衡.对于Web图像和社会化图像尤其如此.为了更好地利用这些弱标签样本,提出了一种基于语义邻域学习的图像自动标注方法(semantic neighborhood learning from weakly labeled image,SNLWL).首先在邻域标签损失误差最小化意义下,填充训练集样本标签.通过递进式的邻域选择过程,保证建立的语义一致邻域内样本具有全局相似性、部分相关性和语义一致性,并且语义标签分布平衡.在邻域标签重构误差最小化意义下进行标签预测,降低噪声标签对性能的影响.多个数据集上的实验结果表明,与已知的具有较好标注效果的方法相比,此方法更适用于处理弱标签数据集,标准评测集上的测试也表明了此方法的有效性.     

融合深度特征和语义邻域的自动图像标注*

传统图像标注方法中人工选取特征费时费力,传统标签传播算法忽视语义近邻,导致视觉相似而语义不相似,影响标注效果.针对上述问题,文中提出融合深度特征和语义邻域的自动图像标注方法.首先构建基于深度卷积神经网络的统一、自适应深度特征提取框架,然后对训练集划分语义组并建立待标注图像的邻域图像集,最后根据视觉距离计算邻域图像各标签的贡献值并排序得到标注关键词.在基准数据集上实验表明,相比传统人工综合特征,文中提出的深度特征维数更低,效果更好.文中方法改善传统视觉近邻标注方法中的视觉相似而语义不相似的问题,有效提升准确率和准确预测的标签总数.     

融合深度主动学习的医学图像半自动标注系统

目前深度学习在医学图像分析领域取得的良好表现大多取决于高质量带标注的数据集, 但是医学图像由于其专业性和复杂性, 数据集的标注工作往往需要耗费巨大的成本. 本文针对这一问题设计了一种基于深度主动学习的半自动标注系统, 该系统通过主动学习算法减少训练深度学习标注模型所需的标注样本数量, 训练完成后的标注模型可以用于剩余数据集的标注工作. 系统基于Web应用构建, 无需安装且能跨平台访问, 便于用户完成标注工作.     

基于约束条件随机场的Web数据语义标注

Web数据语义标注是Web信息抽取中的关键步骤.条件随机场是利用序列特征处理序列标注问题的经典方法.然而现有条件随机场模型无法综合利用已有的Web数据库信息和Web数据元素之间的逻辑关系,导致Web数据语义标注准确率不高.因此,提出一种约束条件随机场模型(CCRF).该模型通过引入可信约束和逻辑约束,有效利用了已有的Web数据库信息和Web数据元素之间的逻辑关系.为了克服现有条件随机场模型Viterbi推理方法无法综合利用这2类约束的不足,该模型采用整数线性规划推理方法,将两类约束同时引入推理过程.通过在多个领域的真实数据集上的实验结果表明,所提出的模型能够显著提高Web数据语义标注的性能,并且为Web信息抽取奠定了良好的基础.     

基于集成学习和二维关联边条件随机场的Web数据语义标注方法

大规模Web信息抽取需要准确、自动地从众多相关网站上抽取Web数据对象.现有的Web信息抽取方法主要针对单个网站进行处理,无法适应大规模Web信息抽取的需要.调查研究表明,有效地实现Web数据语义自动标注,结合现有的包装器生成技术,可以满足大规模Web信息抽取的要求.文中提出一种基于集成学习和二维关联边条件随机场的Web数据语义自动标注方法,首先,利用已抽取的信息和目标网站训练页面中呈现的特征构造多个分类器,使用Dempster合成法则合并分类器结果,区分训练页面中的属性标签和数据元素;然后,利用二维关联边条件随机场模型对Web数据元素间的长距离依赖联系和短距离依赖联系进行建模,实现数据元素的自动语义标注.通过在多个领域真实数据集上的实验结果表明,所提出的方法可以高效地解决Web数据语义自动标注问题,满足大规模Web信息抽取的需要.     

融合语义主题的图像自动标注

由于语义鸿沟的存在,图像自动标注已成为一个重要课题.在概率潜语义分析的基础上,提出了一种融合语义主题的方法以进行图像的标注和检索.首先,为了更准确地建模训练数据,将每幅图像的视觉特征表示为一个视觉"词袋";然后设计一个概率模型分别从视觉模态和文本模态中捕获潜在语义主题,并提出一种自适应的不对称学习方法融合两种语义主题.对于每个图像文档,它在各个模态上的主题分布通过加权进行融合,而权值由该文档的视觉词分布的熵值来确定.于是,融合之后的概率模型适当地关联了视觉模态和文本模态的信息,因此能够很好地预测未知图像的语义标注.在一个通用的Corel图像数据集上,将提出的方法与几种前沿的图像标注方法进行了比较.实验结果表明,该方法具有更好的标注和检索性能.     

一种新的图像语义自动标注与检索算法*

提出了一种新的利用图像语义词汇表进行图像自动标注与检索的方法.采用混合层次模型在已标注好的训练图像集上计算图像区域类与关键字的联合概率分布,并用生成的模型标注未曾观察过的测试图像集,或用来进行基于语义的图像检索.实验结果表明,该方法在标注、检索精度和效率方面均优于当前其他方法.     

基于HMM的自动图像标注方法

自动图像标注技术已经成为弥补"语义鸿沟"的一种有效途径.提出基于隐马尔科夫模型HMM(Hidden Markov Model)的自动图像标注方法,不仅有效地挖掘关键词的语义视觉特征分布,从而建立图像-关键词的对应关系;而且通过融合关键词的共生关系,高效地获取关键词-关键词的语义关联.为此,建立图像-关键词与关键词-关键词的多视角相关模型,有助于解决自动图像标注任务.最后,在COREL图像数据集上的一系列实验结果,验证了提出方法的有效性.     

基于Web服务器的动态图象设计与实现

讨论了工业控制过程中对一些实时动态图象在网上浏览的设计方案,包括数据信号的采集及应用程序接口设计;常见的动态Ｗｅｂ 服务器开发方式的选择;并确定一个合理的设计方案。为一般类型的工业控制网络系统的图象浏览提供了一个参考模型。     

网络形象的人性化设计研究

随着网络在社会发展过程中的作用越来越大,网络形象受到的关注也日益增加。所谓“没有规矩,不成方圆”。本文通过分析总结得出结论——人性化设计是网络形象设计的首要指导原则。     

面向Web图像检索的基于语义迁移的无监督深度哈希

当前主流的Web图像检索方法仅考虑了视觉特征,没有充分利用Web图像附带的文本信息,并忽略了相关文本中涉及的有价值的语义,从而导致其图像表达能力不强。针对这一问题,提出了一种新的无监督图像哈希方法——基于语义迁移的深度图像哈希（semantic transfer deep visual hashing,STDVH）。该方法首先利用谱聚类挖掘训练文本的语义信息;然后构建深度卷积神经网络将文本语义信息迁移到图像哈希码的学习中;最后在统一框架中训练得到图像的哈希码和哈希函数,在低维汉明空间中完成对大规模Web图像数据的有效检索。通过在Wiki和MIR Flickr这两个公开的Web图像集上进行实验,证明了该方法相比其他先进的哈希算法的优越性。     

用Web Services实现遥感图像分布式处理

随着遥感科学的发展,遥感图像的分布式处理的任务变得越来越迫切。该文以遥感图像分布式处理为主线,在分析了当前此方向的主要研究方法及WebServices的特点后,指出了应用WebServices技术实现遥感图像分布式处理的可行性,进而对应用WebServices技术实现遥感图像分布式处理的流程进行了设计,并针对某遥感图像的图像分割任务对其进行了实现。     

基于Web的影像数据发布

文章介绍了影像数据的特点和在Web上发布影像数据的关键技术。对于三种典型的应用即单个遥感影像文件、同带内区域相邻的多个遥感影像文件和跨带的区域相邻的多个遥感影像文件的Web发布，分别论述了它们的数据组织和存储，并在此基础上介绍了影像数据Web发布的实现。     

基于Web医学图像可视化系统应用研究

介绍一种自主开发的基于Web的医学图像可视化系统,并对相关技术细节进行详细分析。该系统接收用户上传的基础数据,专业人员将处理好的数据发送到服务器后,用户可以在系统上在线阅片、三维可视化、专家诊断以及手术操作在线指导。     

结合Web背景知识的图像语义标注

针对基于内容的图像语义标注方法中,相同或相近视觉特征对应语义可能不同的情况,提出了一个结合Web背景知识的图像语义关联模型,利用从Web页面中提取的与图像相关的属性,计算Web图像与标注关键词间的语义相关性,确定待标注Web图像的语义,实验表明该方法具有较好的性能。     

Guessing by neighbors: an efficient reconstruction method for transmitting image progressively

Progressive image transmission (PIT) is useful in Web applications. When the network bandwidth is restricted, the user can preview a coarse version of the image to decide if the entire detail of a picture needs to be transmitted. We propose a newly developed mechanism for PIT. According to the continuity of image pixels, we introduce a guessing-by-neighbors strategy. Only half of the original pixels are transmitted, with additional pixels for error recovery from unsuccessful guessing. The proposed algorithms can be used for both gray-level and color pictures. Bandwidth is saved. The preliminary results show that the number of transmitted bits is reduced in the first few rounds. Additionally, the PSNR values in the first few rounds are much better than other PIT techniques.     

Integration of Image Matching and Classification for Multimedia Navigation

With the recent explosive growth in the volume of images on the World-Wide Web, it has become increasingly difficult to search for images of interests. The classification of images helps users to access a large image collection efficiently. Classification reduces search space by filtering out unrelated images. Classification also allows for more user-friendly interfaces: users can better visualize easily result space by browsing the representative images of the candidates. In this paper, we present a technique for image classification based on color, shape and composition using the primary objects. We apply this classification technique in image matching for image retrieval on the Web. Our experimental results show that this approach can maintain 73% of recall by searching only 24% of the whole data set. We also show how we apply such technique to assist users in navigation.     

基于标签集相关性学习的大规模网络图像在线标注

传统的网络图像标注方法忽视了标签集整体相关性对标注结果的影响，导致标签集整体相关性缺乏和语义冗余. 为了解决上述问题，提出了一种基于标签集相关性学习的大规模网络图像在线语义标注方法. 给出了标签集对图像相关性和标签集内部相关性的概率估计算法，将上述约束形成一个优化问题，采用贪心搜索策略获取近似最优解，找到能合理地平衡上述因素的标签集，并针对大规模图像集和概念集进行了优化. 真实环境下大规模网络图像集上的测试表明，相比于目前的代表性网络图像标注方法，该方法获得的标签集能够更好的描述图像语义，性能提升明显.