The invention relates to an image annotation method, a terminal device and a storage medium based on multi-label learning. In the method, the following steps are included: S100: extracting all labels of an instance, calculating the label importance of each label corresponding to each instance in the multi-label training set through the label propagation algorithm; S200: according to the label; Signature importance degree resamples the multi-label training set to get the training subset; S300: calculates the class attributes of the training subset and classifies them according to the class attributes. Aiming at the problems of ambiguity and mass image in the field of image annotation, the invention marks the image by multi-label learning, and constructs more effective generic attributes by utilizing the information of relative label importance implied by training samples. By this method, different labels can be constructed more effectively corresponding to them. The classification model of the tag is constructed based on the generic attributes of the tag, which can achieve better image classification effect.
【技术实现步骤摘要】
基于多标签学习的图像标注方法、终端设备及存储介质
本专利技术涉及机器学习
,尤其涉及一种基于多标签学习的图像标注方法、终端设备及存储介质。
技术介绍
随着社会的发展,科技化进一步的提高,每天都有海量的数字图像产生并传播,要在如此大规模的图像数据上提供相关的服务,一个最核心也是最困难的任务是让计算机理解图像的语义,而图像标注则是其中的关键技术。图像标注,又称图像自动标注,是指计算机系统根据图像的视觉内容自动底将图像包含的概念标记与之关联的过程,它是基于内容的图像检索的重要领域之一。现如今虽然图像标注领域的研究已经取得了很多成果,待但随着时代的发展与研究的深入,仍有一些问题亟待解决,多义性和大规模性是其中最重要的两个。在传统的监督学习中,一个示例只与一个标签相关联,代表其唯一所属的类别,然而这种标签的唯一性不能满足图像标记的问题,因为一幅图像通常会包含多个语义内容,因而同时具有多个类别的标记,例如为一幅图像可以包括一个或多个语义的概念,比如包括“人”,“草”,“天空”和“日落”;因此亟需一种能够准确标注图像语义的图像标注方法。
技术实现思路
针对图像标注领域的多义性和海量图像等问题,本专利技术提供一种基于多标签学习的图像标注方法、终端设备及存储介质,利用训练样例隐含的相对标签重要性程度的信息来构建更有效的类属属性,进而在类属属性上构建该标签的分类模型。具体方案如下:一种基于多标签学习的图像标注方法,包括以下步骤:S100:提取实例的所有标签,通过标签传播算法计算多标签训练集中每个实例对应的每个标签的标签重要性程度;S200:根据标签重要性程度对多标签训练集进 ...
【技术保护点】
1.一种基于多标签学习的图像标注方法,其特征在于:包括以下步骤:S100:提取实例的所有标签,通过标签传播算法计算多标签训练集中每个实例对应的每个标签的标签重要性程度;S200:根据标签重要性程度对多标签训练集进行重新采样,得到训练子集;S300:计算训练子集的类属属性,根据类属属性进行分类。
【技术特征摘要】
1.一种基于多标签学习的图像标注方法,其特征在于:包括以下步骤:S100:提取实例的所有标签,通过标签传播算法计算多标签训练集中每个实例对应的每个标签的标签重要性程度;S200:根据标签重要性程度对多标签训练集进行重新采样,得到训练子集;S300:计算训练子集的类属属性,根据类属属性进行分类。2.根据权利要求1所述的基于多标签学习的图像标注方法,其特征在于:步骤S100具体包括:S101:参数设定:设Y={y1,y2,...,yL}为标签的集合,x=Rd为实例的域;设D={(xi,Yi)|1≤i≤N}为多标签训练集,包含N个实例,其中xi∈x是一个d维属性向量,是实例xi具备的标签集合;设为多标签训练集D中的实例(xi,Yi)中的xi对应的标签yl的标签重要性程度,其中yl∈Y,设y0为标签重要性程度阈值所对应的虚拟标签,t(xi)为标签重要性程度阈值,则如果则yl是xi相关标签,即yl∈Yi,否则,yl不是xi的相关标签,即所述标签重要性程度满足以下条件:条件一:条件二:条件三:S102:设W=[wij]N×N表示实例之间的关联矩阵,其中元素wij的计算公式如下:其中,σ是相似度计算的参数,固定设置为1;S103:设M是所述关联矩阵的对角矩阵,M矩阵中对角线上的元素M(i,i)等于W矩阵第i行的和,其余元素为0;构造矩阵S=M-1/2WM-1/2;构造矩阵Φ=[φ]N×(L+1),其中:其中τ∈(0,1)为虚拟标签y0对应的比例参数;S104:构造矩阵F=[fil]N×(L+1):F(t)=αSF(t-1)+(1-α)Φ其中,参数α∈(0,1)为比例参数;S105:设F(0)=Φ,通过变换和运算,得到递归序列{F(t)}收敛于F*:F*=(1-α)(I-αS)-1ΦS106:基于F*,定义训练集D的每个示例的标签重要性程度如下:3.根据权利要求1所述的基于多标签学习的图像标注方法,其特征在于:步骤S200具体包括:S201:设定l=1,i=1;S202:判定是否满足l≤L,如果满足,进入S203,否则,结束;S203:Dl=D;S204:判定是否满足i≤N,如果满足,进入S205,否则,进入S215;S205:设定为空集(NULL);S206:判断是否满足yl∈Y,如果满足,进入S207...
【专利技术属性】
技术研发人员:翁伟,李建敏,尹华一,朱顺痣,吴芸,钟瑛,
申请(专利权)人:厦门理工学院,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。