基于改进的有效区域基因选择与跨模态语义挖掘的图像属性标注

张红斌; 蒋子良; 熊其鹏; 武晋鹏; 邬任重; 袁天; 姬东鸿

doi:10.3969/j.issn.0372-2112.2020.04.021

您当前的位置：

首页 >

文章列表页 >

基于改进的有效区域基因选择与跨模态语义挖掘的图像属性标注

学术论文 | 更新时间：2025-07-08

- 基于改进的有效区域基因选择与跨模态语义挖掘的图像属性标注
- Image Attribute Annotation via a Modified Effective Range Based Gene Selection and Cross-Modal Semantics Mining
- 电子学报 2020年48卷第4期页码：790-799
- 作者机构：
  
  1. 华东交通大学软件学院,江西,南昌,330013
  2. 华东交通大学信息工程学院,江西,南昌,330013
  3. 武汉大学国家网络安全学院,湖北,武汉,430072
  4. 华东交通大学软件学院,江西,南昌,330013
  5. 华东交通大学信息工程学院,江西,南昌,330013
  6. 武汉大学国家网络安全学院,湖北,武汉,430072
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61762038，No.61861016）;教育部人文社会科学研究规划基金项目 (No.17YJAZH117）;江西省自然科学基金 (No.20171BAB202023）;江西省科技厅重点研发计划 (No.20171BBG70093，No.20192BBE50071）;江西省教育厅科技项目 (No.GJJ190323）
- DOI：10.3969/j.issn.0372-2112.2020.04.021
  中图分类号： TP391
- 网络出版：2020-04-25，
  
  纸质出版：2020
- 稿件说明：
移动端阅览
张红斌, 蒋子良, 熊其鹏, 等. 基于改进的有效区域基因选择与跨模态语义挖掘的图像属性标注[J]. 电子学报, 2020,48(4):790-799.

Image Attribute Annotation via a Modified Effective Range Based Gene Selection and Cross-Modal Semantics Mining[J]. Acta Electronica Sinica, 2020, 48(4): 790-799.
张红斌, 蒋子良, 熊其鹏, 等. 基于改进的有效区域基因选择与跨模态语义挖掘的图像属性标注[J]. 电子学报, 2020,48(4):790-799. DOI： 10.3969/j.issn.0372-2112.2020.04.021.

Image Attribute Annotation via a Modified Effective Range Based Gene Selection and Cross-Modal Semantics Mining[J]. Acta Electronica Sinica, 2020, 48(4): 790-799. DOI： 10.3969/j.issn.0372-2112.2020.04.021.

摘要

图像属性标注是一种更细化的图像标注，它能缩小认知与特征间语义鸿沟.现有研究多基于单特征且未挖掘属性蕴含的深层语义，故无法准确刻画图像内容.改进有效区域基因选择算法融合图像特征，并设计迁移学习策略，实现材质属性标注；基于判别相关分析挖掘特征间跨模态语义，以改进相对属性模型，标注材质属性蕴含的深层语义-实用属性.实验表明：材质属性标注精准度达63.11%，较最强基线提升1.97%；实用属性标注精准度达59.15%，较最强基线提升2.85%；层次化的标注结果能全面刻画图像内容.

Abstract

Image attribute annotation is a refined method of image annotation.It can narrow the "semantic gap" between cognition and features. However

a single feature is used to characterize images and the deep-level semantics are not fully explored. So annotations cannot depict images comprehensively. The traditional effective range based gene selection algorithm is modified to complete feature fusion. And transfer learning strategy is designed to complete material annotation. The cross-modal semantics among features are mined by the discriminant correlation analysis algorithm. So the relative attribute model is optimized to complete deep-level semantics (practical attributes) annotation. Experimental results demonstrate: Material attributes annotation accuracy reaches 63.11%

which is improved by 1.97% compared with baseline. Practical attributes annotation accuracy reaches 59.15%

which is improved by 2.85% compared with baseline. The proposed hierarchical annotation mechanism can more comprehensively depict images.

关键词

Keywords

references

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多传感器信息融合和迁移学习的下肢外骨骼运动意图预测研究

基于移动性预测的群智感知混合式任务分配

基于统计推理的二进制程序语义比较模型

基于迁移学习的零样本故障诊断

基于测地线流式核的雷达目标高分辨距离像鲁棒识别方法