一种基于主动学的图像标注方法

摘要

本发明公开了一种基于主动学的网络图像标注方法。该方法首先基于图像数据集构建表征图像视觉相似性关系的K近邻图结构，计算相应的拉普拉斯图矩阵L；接着采用迭代计算求解最优化问题，选择出T个标注样本让用户进行标注；然后根据选择出来的T个标注样本训练多类别SVM分类器模型f^svm，最后基于训练的SVM分类模型f^svm对图像数据集中的图像进行图像类别判断，依据判别结果对图像进行标注，从而实现基于主动学的图像标注。本方法采用迭代依次挑选出最具代表性的图像数据进行交互式标注，不仅提高训练的SVM模型性能和图像标注的准确度，还能减少需要标注的图像数目，达到减轻人工劳动量的目的。

主权项

一种基于主动学习的网络图像标注方法，其特征在于包括如下步骤：1)对网络图像数据集MSRA‑MM数据集中，选择80类图像，每类100张图像，共计8000张图像，提取64维的颜色直方图和255维的颜色纹理矩特征，构成319维的图像视觉特征表达，得到图像特征集X＝[x₁,x₂,...,x_n]∈R^d×n，其中d＝319为图像特征维度，n＝8000为图像样本数；2)构建表征图像视觉相似性关系的K近邻图结构，以图像特征集中样本作为K近邻图的顶点，K近邻图的边权重矩阵S设置如下：其中，Ν_k(x_j)和Ν_k(x_i)分别表示x_j和x_i的K近邻；3)根据S矩阵，计算相应的拉普拉斯图矩阵L，计算公式如下：L＝S‑D                   2其中，D为对角矩阵，对角元素值4)初始化用户标注图像样本z₁为：$z_1=\arg \underset{z_1\in X}{\min }\mathrm{tr}\left(K_{\mathrm{XX}}{\left(K_{{\mathrm{Xz}}_1}{K}_{z_{1}X}\right)}^{-1}{K}_{\mathrm{XX}}\right)---3$其中，(K_XX)_ij＝K(x_i,x_j)，K(·)为高斯核函数，定义为：K(x,y)＝exp(‑||x‑y||²/2σ²)，σ为核参数，tr(·)为矩阵迹运算；5)迭代计算任意第p+1个用户标注样本z_p+1，直至选择到预定T个标注样本，计算公式如下：$z_{p+1}=\arg \mathrm{rnin\; tr}\left(K_{\mathrm{XX}}{(M+K_{{\mathrm{Xz}}_{P+1}}{K}_{z_{p+1}X})}^{-1}{K}_{\mathrm{XX}}\right)---4$其中，Z^p＝[z₁,...,z_p]为所有前p个用户标注样本所构成的矩阵；6)根据上面步骤4）和步骤5）选择出来的T个标注样本Z^T＝[z₁,...,z_T]，训练多类别SVM分类器模型f^svm，然后基于训练的SVM分类模型f^svm对图像数据集中的图像进行图像类别判断，依据判别结果对图像进行标注，从而实现基于主动学习的图像标注。