基于高層語(yǔ)義的跨模態(tài)應(yīng)用研究.pdf

1、隨著互聯(lián)網(wǎng)2.0技術(shù)的快速發(fā)展,一系列圍繞著多媒體內(nèi)容的研究不停地涌現(xiàn)出來(lái)。身處于這樣一個(gè)多媒體的時(shí)代,人們也在日常生活中不停創(chuàng)造并分享傳播著圖像和視頻這些常見(jiàn)的多媒體素材。而在這一過(guò)程中,用戶并不局限于僅僅分享傳播圖像視頻這些單一視覺(jué)信息,很多時(shí)候還會(huì)加上他們對(duì)圖像視頻內(nèi)容在語(yǔ)義層面的理解,比如標(biāo)簽或者描述這些文本信息。這樣就為多媒體領(lǐng)域衍生出了很多跨模態(tài)間的應(yīng)用。具體而言,這其中不僅包含有從文本出發(fā)查詢(xún)相關(guān)圖像的多媒體檢索技術(shù),也包

2、含有從視頻素材直接到文本的視頻描述生成,更有一些大膽的跨模態(tài)應(yīng)用比如從文本出發(fā),自動(dòng)生成相關(guān)的視頻內(nèi)容。這些跨模態(tài)應(yīng)用的本質(zhì)都是在視覺(jué)信息和文本信息這兩個(gè)不同模態(tài)間的互相轉(zhuǎn)換。目前的技術(shù)手段大部分都依賴(lài)于多模態(tài)學(xué)習(xí)與深度學(xué)習(xí)的現(xiàn)有框架來(lái)簡(jiǎn)單實(shí)現(xiàn)不同模態(tài)間的轉(zhuǎn)換,卻忽視了不同模態(tài)間本質(zhì)存在的高層語(yǔ)義聯(lián)系。而在模態(tài)轉(zhuǎn)換的過(guò)程中強(qiáng)調(diào)這一高層語(yǔ)義信息對(duì)深度理解視覺(jué)內(nèi)容以及最終提高模態(tài)間轉(zhuǎn)換質(zhì)量而言都是至關(guān)重要的。
　　針對(duì)這一問(wèn)題,本論文

3、從視覺(jué)信息和文本信息間本質(zhì)存在的高層語(yǔ)義信息出發(fā),研究如何利用高層語(yǔ)義信息來(lái)幫助并提升多媒體檢索(文本到圖像)、視頻描述生成(視頻到文本)、視頻內(nèi)容生成(文本到視頻)這些跨模態(tài)的應(yīng)用。本論文包含以下幾個(gè)創(chuàng)新點(diǎn):
　　(1)論文提出一種基于高層語(yǔ)義的多媒體檢索算法,可利用搜索引擎中用戶點(diǎn)擊數(shù)據(jù)挖掘出查詢(xún)關(guān)鍵詞和圖像的高層語(yǔ)義關(guān)系,并以此構(gòu)建出一個(gè)語(yǔ)義子空間來(lái)直接度量這兩種不同模態(tài)間的語(yǔ)義相關(guān)性,實(shí)現(xiàn)查詢(xún)關(guān)鍵詞到圖像轉(zhuǎn)換的多媒體檢索。

4、在該方法中語(yǔ)義子空間的構(gòu)建主要遵循兩個(gè)原則,即最小化查詢(xún)關(guān)鍵詞與對(duì)應(yīng)的點(diǎn)擊過(guò)的圖像在語(yǔ)義子空間中的距離,并同時(shí)保留每個(gè)模態(tài)在自己原本空間的固有關(guān)系結(jié)構(gòu)來(lái)。通過(guò)在一個(gè)大規(guī)模的用戶點(diǎn)擊圖像檢索數(shù)據(jù)集上的實(shí)驗(yàn),本文證明了該算法相比于傳統(tǒng)支持向量機(jī)的排序模型在語(yǔ)義相關(guān)性的評(píng)測(cè)標(biāo)準(zhǔn)上提高了4.0％。
　　(2)論文提出一種基于隱式高層語(yǔ)義的視頻描述生成算法,自動(dòng)生成語(yǔ)法連貫而且語(yǔ)義和視頻內(nèi)容一致的描述語(yǔ)句。該方法在利用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)對(duì)詞

5、和詞之間的語(yǔ)法連貫性建模的同時(shí),還設(shè)計(jì)了一個(gè)全新的視覺(jué)語(yǔ)義嵌入式模塊來(lái)約束整個(gè)語(yǔ)句和視頻內(nèi)容的隱式語(yǔ)義相關(guān)性。這其中長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)與視覺(jué)語(yǔ)義嵌入式模塊是共同訓(xùn)練與優(yōu)化的。本文在三個(gè)視頻描述生成數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn)并證明了所提出方法的有效性,其中所提出方法在YouTube2Text數(shù)據(jù)集上相比于基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的方法在METEOR指標(biāo)上提高了4.7％。
　　(3)除了利用視頻和描述語(yǔ)句間隱含的語(yǔ)義相關(guān)性,論文還提出一種基

6、于顯式高層語(yǔ)義的視頻描述生成算法,進(jìn)一步提高從視頻內(nèi)容到描述語(yǔ)句的轉(zhuǎn)換質(zhì)量。該方法首先挖掘出視頻中包含的顯式高層語(yǔ)義信息(也就是語(yǔ)義屬性),然后將這一高層語(yǔ)義信息動(dòng)態(tài)地融入到基于循環(huán)神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)視頻描述生成模型中,從而大大提高了生成的視頻描述語(yǔ)句與視頻內(nèi)容的語(yǔ)義相關(guān)性。同樣地,本論文在三個(gè)視頻描述生成數(shù)據(jù)集上驗(yàn)證了基于顯式高層語(yǔ)義的視頻描述生成模型的有效性。其中在MSVD數(shù)據(jù)集上,該方法取得了迄今為止公開(kāi)的最高性能:52.8％的BLE