大規(guī)模圖像標注方法研究.pdf

1、自動圖像標注是在圖像領域中的一種關鍵技術，與圖像的檢索和管理等方面有很大聯(lián)系。在現(xiàn)實的互聯(lián)網(wǎng)環(huán)境中，隨著圖像大規(guī)模數(shù)據(jù)量的不斷增加情況下，自動圖像標注需要更加關注的是如何利用各種機器學習、模式識別和統(tǒng)計建模方面，實現(xiàn)對大規(guī)模數(shù)據(jù)的自動圖像標注。
　　為了進一步提高標注精度和效率，考慮到大規(guī)模圖像數(shù)據(jù)集的計算影響以及大規(guī)模數(shù)據(jù)圖像的類別的復雜性，提出基于優(yōu)化隨機森林的圖像預分類學習方法和基于分布式標簽傳播的大規(guī)模訓練集標注方法。其中

2、，基于隨機森林的圖像預分類學習方法首先考慮的是對圖像進行初步的分類，決策樹中同一葉子節(jié)點的樣本滿足同一組屬性的局部相似性，但是由于訓練集圖片是多標記，建立隨機樹來對初始的樣本集進行預分類。對于大規(guī)模數(shù)據(jù)來說，采用集成多隨機樹的方法即優(yōu)化的隨機森林方法，集成學習方法可以減少每個學習器的誤差。對預分類的結果提出基于樣本分布的map任務排序，通過對每個葉子節(jié)點集合的圖片分布，選擇方差較小的葉節(jié)點作為分布式計算的輸入。基于分布式標簽傳播的大規(guī)模

3、訓練集標注方法是一種并行計算的方法，采用基于knn的分布式標簽傳播方法，每個map任務對應一個葉子節(jié)點集合，同時在每個map任務時進行中間結果的處理優(yōu)化和計算優(yōu)化。
　　為了驗證方法的可行性及有效性，在分布式集群上進行實驗。實驗表明，使用優(yōu)化的隨機森林算法對訓練樣本進行分類，同時對其排序的預處理，能夠有效地減少后面的計算量，使用MapReduce方法提高測試圖片的標注效率。在有效的時間內(nèi)，與傳統(tǒng)的自動圖像標注相比，在準確率和召回率