提出问题:因为在基于内容的图像检索中存在"语义鸿沟"问题,该问题使得图像视觉特征间的相似性并不完全等同于图像内容间的相似性。为解决"语义鸿沟"问题,用户反馈机制常常被引入到图像检索中。
分析问题:检索出该图像的原因在于这幅图像与检索条件有相似的背景,从视觉特征角度来比较,这两幅图像具有一定相似性。
解决问题:
思想:针对反馈处理问题,基于SVM的反馈处理方法常常使用,该方法是在用户反馈的基础上使用SVM学习算法来获取分类器,在使用分类器判断图像库中任何图像是否包含目标对象,最后根据分类结果和初始的检索结果进行更新来获取更为精确的检索结果。(基于SVM的图像分类问题)
1.在用户反馈过程中,用户首先针对检索结果进行合理标注。打勾的图像包含目标对象,打叉的图像不包含目标对象。
2.其次,以所标注的图像作为样本构成训练集,通过在训练集上的学习可以获取一个有效分类器。
3.最后,使用该分类器能找出更多包含目标对象的图像,从而对检索结果进行更新来获取更为精确的结果。
如何对用户反馈信息进行有效处理是一个值得考虑的问题。
图像的特征表示方法有两种:
1.表示一个全局特征的表示方法(大向量表示)
2.局部特征向量的表示方法(将图像内容表示为一组局部特征向量),更有效。
提出问题:从而图像内容由一个局部特征
向量集合来表示,集合中各向量的维数相同,向量总个数由图像分割后的区域数所决定。然而当反馈信息中的图像由这种方式来表示时,SVM并不能有效地对其进行处理,因为SVM中传统核函数对于这种大小不定的向量集合很难进行有效处理。因此,设计新的核函数使SVM能对向量集合形式的输入进行有效处理是当前目标对象检索中的研究热点。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。