本文關(guān)鍵詞： 圖像自動標注 多標簽 深度學習 卷積神經(jīng)網(wǎng)絡(luò)　出處：《計算機科學》2016年07期 　論文類型：期刊論文

【摘要】：如今生活中,圖像資源無處不在,海量的圖像讓人應(yīng)接不暇。如何快速有效地對這些圖像信息進行查詢、檢索和組織,成為了當前亟需解決的熱門問題。而圖像自動標注是解決基于文本的圖像檢索的關(guān)鍵。文中提出的這套基于深度學習模型中的卷積神經(jīng)網(wǎng)絡(luò)模型的多標簽圖像自動標注系統(tǒng),實現(xiàn)了多標簽損失排名函數(shù),完成了多標簽數(shù)據(jù)的訓練與測試。在實驗驗證上,先選取CIFAR-10數(shù)據(jù)集進行算法的有效性測試,然后選取多標簽圖像數(shù)據(jù)集Corel 5k進行定量測試比較,結(jié)果表明,該算法的綜合性能指標與現(xiàn)有算法相比有較大的提升。
[Abstract]:Now life, image resources everywhere, massive images of people. Too busy to attend to all how to effectively query the image information retrieval and organization, has become a hot issue to be solved. And the automatic image annotation is the key to solving the text based image retrieval. In this paper the multi label image deep learning convolutional neural network model based on the automatic annotation system, realizes the multi label ranking loss function, completed the training and testing of multi label data. In the experiment, test the validity of the selected CIFAR-10 data set of the algorithm, and then select the multi label image data sets Corel 5K quantitative comparison test results show that and the comprehensive performance index of the algorithm is greatly improved compared with the existing algorithms.

【作者單位】： 清華大學計算機科學與技術(shù)系;北京航空航天大學軟件學院;
【基金】：國家自然科學基金(U1433112,61170253) 國家核高基項目(2013ZX01039001-002) 國家高技術(shù)研究發(fā)展計劃(“863計劃”)(2011AA01A205) 清華—騰訊合作項目(人體虛擬形象建模)資助
【分類號】：TP391.41;TP183
【正文快照】：

【相似文獻】

相關(guān)期刊論文 前10條

1 王玉林，，趙炳彥;汽車車身零件圖紙的自動標注方法[J];計算機輔助工程;1996年04期

2 佘晶,黃翔;特征尺寸自動標注方法的研究及實現(xiàn)[J];機械制造與自動化;2005年01期

3 Q迷平

本文編號：1469187