论文部分内容阅读
传统的基于文本的图像检索存在耗费人力、信息不完整、歧义性等问题,促使了基于内容的图像检索的出现。基于内容的图像检索分为基于全局特征的方法和基于局部特征的方法。基于全局特征的方法,提取整幅图像的特征,当用户感兴趣的目标仅占图像的一部分的时候,背景会对目标的特征产生干扰,以至于不能得到令人满意的检索结果。因此,出现了基于局部特征的图像检索。多示例学习可以根据多幅图像的内容,学习到用户感兴趣的目标,减少背景对目标(局部)特征的影响,因此,基于局部特征的图像检索大多采用多示例学习方法。但是现有的多示例学习方法并不能很好的描述包的兴趣目标特征(即局部特征),从而导致检索结果不够理想。本文分别从不同包中示例之间的关系和同一个包中示例之间的关系对多示例学习方法进行研究,以有效的表达兴趣目标特征。本文首先阐述了基于多示例学习的图像检索的研究背景和现状,分析了各类算法的优缺点。提出了基于示例一致性的图像检索以及基于示例加权和空间关系的图像检索算法,提高检索的准确率。本文主要贡献如下:(1)针对传统的多示例学习算法没有利用不同包中示例之间的关系,和包与示例之间的关系问题,本文提出了基于示例一致性的图像检索算法,用示例一致性表示示例之间的关系,设计了一个挑选潜在正示例的函数,用潜在正示例作为特征示例,并利用包与示例之间的关系设计了基于特征示例的特征映射函数描述包中兴趣目标特征,实验结果证明了算法的有效性。(2)为了更准确地描述包中兴趣目标的特征,进一步提高基于多示例学习的图像检索准确率,利用同一个包中示例之间的关系,设计了一个空间特征表示示例的空间关系,用示例的显著性表示示例的权重,提出了基于示例加权和空间关系的图像检索算法,基于示例权重挑选潜在正示例,并根据正包中示例的权重确定潜在正示例的个数,实验结果证明提升了图像检索的准确率。