基于圖像內(nèi)容理解的圖片自動管理方法研究.pdf

1、隨著數(shù)字媒體技術(shù)的不斷發(fā)展，人們的多媒體信息也變得日益豐富。與此同時，一個顯著的問題是，如何有效的管理這些多媒體資源。近年來，國內(nèi)外對此已有一些初步的研究，但大都不太系統(tǒng)，在實(shí)際應(yīng)用過程中也有很多問題。
　　針對于此，本文探討了通過圖像內(nèi)容理解的方式對圖片進(jìn)行分類管理的方法。具體將從以下幾部分展開:圖像的場景分析、特定目標(biāo)識別中特征學(xué)習(xí)的有效方法探究（以人臉識別到人臉驗(yàn)證的遷移為例）、特征搜索算法設(shè)計(jì)優(yōu)化與實(shí)現(xiàn)等。
　　對于

2、面向圖像自動管理的場景分析部分，本文首先分析了原始圖像分類中單類別分類的目標(biāo)局限性，在此基礎(chǔ)上提出了一種適應(yīng)于日常生活照片的多標(biāo)簽場景分類網(wǎng)絡(luò)。其次，分類網(wǎng)絡(luò)的基模型采用一個計(jì)算精簡，移動端友好的Shufflenet網(wǎng)絡(luò)作為基礎(chǔ)結(jié)構(gòu)，避免了常見網(wǎng)絡(luò)分類需要在服務(wù)器部署，并由網(wǎng)絡(luò)傳輸?shù)葞淼囊幌盗邪ǖ幌抻跀?shù)據(jù)隱私，網(wǎng)絡(luò)延遲、模型過大的存儲等問題。再次，作為對基礎(chǔ)網(wǎng)絡(luò)的一個優(yōu)化，引入了注意力模型，通過深度卷積網(wǎng)絡(luò)通道上的加權(quán)使分類模型對

3、數(shù)據(jù)有更好的適應(yīng)性。此外，對于損失函數(shù)，考慮到多標(biāo)簽分類網(wǎng)絡(luò)中正負(fù)標(biāo)簽比例不均衡的情況，設(shè)計(jì)了一個均衡的二元交叉熵?fù)p失函數(shù)，以對數(shù)據(jù)更好的建模。最后，本文也實(shí)現(xiàn)了在iOS系統(tǒng)上的實(shí)時場景分類演示。在iOS系統(tǒng)上的實(shí)時演示結(jié)果表明，本方案是一個具有巨大應(yīng)用價值的方法，值得推廣。
　　對于面向圖像自動管理的特定目標(biāo)（人臉）識別部分，本文創(chuàng)新性的提出了帶約束的基于人臉識別模型的網(wǎng)絡(luò)訓(xùn)練方法。其中約束項(xiàng)充分考慮了類內(nèi)緊致，類間具有足夠區(qū)分

4、度的性質(zhì)，以及減少了特征學(xué)習(xí)過程中的冗余性。與此同時，考慮到網(wǎng)絡(luò)獲取的圖片類別標(biāo)注噪聲問題，引入了基于徑向基函數(shù)的距離加權(quán)。實(shí)驗(yàn)證明雖然訓(xùn)練過程采用分類器模式,由于加入了約束項(xiàng)作為先驗(yàn)知識，特征也能很好的遷移到人臉驗(yàn)證任務(wù)上，并不需要顯示的動用對驗(yàn)證進(jìn)行獨(dú)特優(yōu)化的度量學(xué)習(xí)方法，并且具有收斂速度快的特點(diǎn)。同時由于這些約束項(xiàng)只在訓(xùn)練過程中引入，在實(shí)際測試過程中并不會引入運(yùn)行時負(fù)擔(dān)，具有很好的時間性能。
　　對于面向圖像自動管理的高效搜