多視圖學(xué)習(xí)在網(wǎng)絡(luò)圖像情感分析中的應(yīng)用.pdf

1、互聯(lián)網(wǎng)技術(shù)的發(fā)展，使得網(wǎng)絡(luò)上傳的圖像數(shù)量愈來(lái)愈多。這些圖像表達(dá)了多方面的信息:媒體新聞報(bào)道、個(gè)人狀態(tài)分享、用戶情感宣泄等，其中社交媒體的廣泛使用更使得網(wǎng)絡(luò)成為表達(dá)個(gè)人情感和觀點(diǎn)的重要平臺(tái)。從互聯(lián)網(wǎng)信息中挖掘用戶和群眾的情感態(tài)勢(shì)方面的研究越來(lái)越受到研究者的重視，它對(duì)社會(huì)輿情分析、產(chǎn)品設(shè)計(jì)改良、媒體事件傳播等具有重要的作用。圖像作為網(wǎng)絡(luò)不可或缺的信息載體，網(wǎng)絡(luò)圖像情感分析便變得十分必要。一種可取的網(wǎng)絡(luò)圖像情感分析方法是將圖像分為包含人臉和非

2、人臉的兩類。為了分析特定人物情感，需要獲取網(wǎng)絡(luò)中該人物的圖像，而網(wǎng)絡(luò)中大部分不含標(biāo)簽信息，圖像聚類分析對(duì)網(wǎng)絡(luò)人物圖像篩選十分重要。同時(shí)為了分析一般圖像所表達(dá)的情感，需要有效的圖像情感分類學(xué)習(xí)方法。本文便主要研究圖像聚類分析和圖像情感分類學(xué)習(xí)。
　　傳統(tǒng)的圖像聚類和情感分類方法多采用單一的圖像特征，然而隨著計(jì)算機(jī)視覺的發(fā)展，特征提取方法由底層特征、中層語(yǔ)義特征、深度學(xué)習(xí)等不斷發(fā)展，不同視圖特征表達(dá)了相似和互補(bǔ)的信息，相對(duì)單視圖多視圖

3、特征能更好地表達(dá)圖像信息。本文研究多視圖學(xué)習(xí)方法，更好進(jìn)行圖像聚類分析和情感分類學(xué)習(xí)，具體工作包括:
　　(1)基于流形學(xué)習(xí)思想，提出內(nèi)部局部結(jié)構(gòu)約束的多視圖學(xué)習(xí)算法。在多視圖學(xué)習(xí)中多考慮視圖之間的一致性、互補(bǔ)性約束等，但忽略了單個(gè)視圖內(nèi)部的結(jié)構(gòu)。本文考慮樣本之間的內(nèi)部局部結(jié)構(gòu)約束，并引入至高效的特征學(xué)習(xí)NMF方法中。提出新的多視圖學(xué)習(xí)算法MultiGNMF，并用于圖像聚類分析中。
　　(2)針對(duì)數(shù)據(jù)存在負(fù)數(shù)問題，將上述方法

4、擴(kuò)展為無(wú)非負(fù)要求。非負(fù)矩陣分解要求數(shù)據(jù)具有非負(fù)性，而現(xiàn)實(shí)科研數(shù)據(jù)中無(wú)可避免負(fù)數(shù)。結(jié)合SemiNMF算法的求解，本文將MultiGNMF算法擴(kuò)展，提出MultiGSemiNMF算法。本文在兩個(gè)公開的圖像聚類庫(kù):UCI Digital和CMU PIE中做圖像聚類實(shí)驗(yàn)，結(jié)果證明了本文提出的兩個(gè)算法的有效性。
　　(3)基于多視圖學(xué)習(xí)框架，研究圖像情感分類學(xué)習(xí)多視圖特征選擇算法。圖像情感語(yǔ)義較為抽象，單一視覺特征存在情感語(yǔ)義鴻溝。結(jié)合中層