基于多标签学习的卷积神经网络的图像标注方法.pdf

《基于多标签学习的卷积神经网络的图像标注方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、JournalofComputerApplicationsISSN1001-90812017-01-10计算机应用，2017，37(1):228－232CODENJYIIDUhttp://www．joca．cn文章编号:1001-9081(2017)01-0228-05DOI:10．11772/j．issn．1001-9081．2017．01．0228基于多标签学习的卷积神经网络的图像标注方法*高耀东，侯凌燕，杨大利(北京信息科技大学计算机学院，北京100101)(*通信作者电子邮箱bistu2015@gmail．

2、com)摘要:针对图像自动标注中因人工选择特征而导致信息缺失的缺点，提出使用卷积神经网络对样本进行自主特征学习。为了适应图像自动标注的多标签学习的特点以及提高对低频词汇的召回率，首先改进卷积神经网络的损失函数，构建一个多标签学习的卷积神经网络(CNN-MLL)模型，然后利用图像标注词间的相关性对网络模型输出结果进行改善。通过在IAPＲTC-12标准图像标注数据集上对比了其他传统方法，实验得出，基于采用均方误差函数的卷积神经网络(CNN-MSE)的方法较支持向量机(SVM)方法在平均召回率上提升了12．9%，较反向传

3、播神经网络(BPNN)方法在平均准确率上提升了37．9%;基于标注结果改善的CNN-MLL方法较普通卷积神经网络的平均准确率和平均召回率分别提升了23%和20%。实验结果表明基于标注结果改善的CNN-MLL方法能有效地避免因人工选择特征造成的信息缺失同时增加了对低频词汇的召回率。关键词:图像自动标注;多标签学习;卷积神经网络;损失函数中图分类号:TP391．41;TP18文献标志码:AAutomaticimageannotationmethodusingmulti-labellearningconvolutiona

4、lneuralnetwork*GAOYaodong，HOULingyan，YANGDali(CollegeofComputer，BeijingInformationScienceandTechnologyUniversity，Beijing100101，China)Abstract:Focusingontheshortcomingoftheautomaticimageannotation，thelackofinformationcausedbyartificiallyselectingfeatures，convol

5、utionalneuralnetworkwasusedtolearnthecharacteristicsofsamples．Firstly，inordertoadapttothecharacteristicsofmultilabellearningofautomaticimageannotationandincreasetherecallrateofthelowfrequencywords，thelossfunctionofconvolutionalneuralnetworkwasimprovedandaConvo

6、lutionalNeuralNetworkofMulti-LabelLearning(CNN-MLL)modelwasconstructed．Secondly，thecorrelationbetweentheimageannotationwordswasusedtoimprovetheoutputofthenetworkmodel．ComparedwithothertraditionalmethodsontheTechnicalCommittee12oftheInternationalAssociationforP

7、atternＲecognition(IAPＲTC-12)benchmarkimageannotationdatabase，theexperimentalresultshowthattheConvolutionalNeuralNetworkusingMeanSquareErrorfunction(CNN-MSE)methodachievestheaveragerecallrateof12．9%morethantheSupportVectorMachine(SVM)method，theaverageaccuracyof

8、37．9%morethantheBackPropagationNeuralNetwork(BPNN)method．AndtheaverageaccuracyrateandaveragerecallrateofmarkedresultsimprovedCNN-MLLmethodis23%and20%higherthanthoseofthetraditional