基于深度神经网络和近邻模型的图像自动标注

摘要

当今大数据与互联网时代，每时每刻都有海量的图像数据被用户上传到互联网，这些图像数据量虽庞大且杂乱无章，但蕴含着很多有价值的信息。为了对这些图像数据进行有效的管理和挖掘出其中的有价值信息，图像自动标注技术应时而生。图像自动标注旨在通过对图像高层语义的理解，给图像添加合适的语义标签。图像自动标注是目前图像处理领域的研究热点，在很多领域和学科中有着广泛的应用。　　本文的主要工作如下：　　1.提出了基于深度神经网络和近邻模型的图像自动标注模型，该模型把图像自动标注工作分为构建图像特征矩阵和语义标注两个阶段。　　2.在构建近邻图像特征矩阵阶段，利用近邻模型思想，提出了将待标注图像与其近邻图像的特征矩阵加权结合为近邻图像特征矩阵的算法。将经过残差网络预训练模型提取的图像的浅层视觉特征与深层视觉特征相结合，使得构造的近邻图像特征矩阵覆盖了更全面的图像特征，能够更好地表征图像。　　3.在语义标注阶段，提出了融入3D卷积操作和自注意力机制函数的深度神经网络模型，该模型能同时对待标注图像及其近邻图像提取视觉特征，然后挖掘出近邻图像间的特征相关性，提高了图像标注的准确率。　　在Corel5K和PASCALVOC2012数据集上进行了实验验证并与其他方法进行了实验对比，结果表明本文提出的图像标注模型在这两个数据集上得到了更为准确的标注结果。

目录

声明

第一章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 研究内容

1.4 论文结构与安排

第二章 相关研究技术和基础理论知识

2.1 图像自动标注

2.2 卷积神经网络

2.3 迁移学习

2.4 经典神经网络结构

2.5 残差网络

2.6 注意力机制

第三章 基于深度神经网络和近邻模型的图像自动标注模型

3.1算法整体框架

3.2 利用残差网络构建图像特征矩阵

3.3 利用3D深度神经网络构建图像语义标注模型

第四章 实验结果与分析

4.1 实验环境

4.2 实验设置

4.3 实验数据选择

4.4 实验结果

4.5 实验结果分析

第五章 总结与展望

5.1 总结

5.2 展望

参考文献

致谢