>
Fa   |   Ar   |   En
   روشی ترکیبی و نیمه نظارتی مبتنی بر گراف برای برچسب‌زنی خودکار تصاویر  
   
نویسنده کردآبادی مجتبی ,منصوری زاده محرم ,ختن لو حسن
منبع ماشين بينايي و پردازش تصوير - 1398 - دوره : 6 - شماره : 2 - صفحه:79 -88
چکیده    روش‌های یادگیری نیمه نظارتی مبتنی بر گراف اغلب بر روی مسائل تک برچسبی متمرکز و پیاده‌سازی شده‌اند، درصورتی‌که بسیاری از مسائل دنیای واقعی به‌صورت چندبرچسبی هستند. در این مقاله یک روش نیمه نظارتی ترکیبی بنام lgc+mlknn برای برچسب‌زنی تصاویر به‌صورت چندبرچسبی ارائه داده‌ایم که از ترکیب روش یادگیری نیمه نظارتی مبتنی بر گراف (lgc) و یادگیری چندبرچسبی (mlknn) تشکیل‌شده است . روش ارائه‌شده به دلیل استفاده از یادگیری نیمه نظارتی و مشارکت دادن تمام نمونه‌ها و پیش‌بینی برچسب‌های اولیه و آموزش یادگیر mlknn با تعداد نمونه برچسب خورده بیشتر، دارای دقت بهتری نسبت به روش‌های موجود است. روش ارائه‌شده روی چندین مجموعه داده استاندارد آزمون شده است. نتایج آزمایش‌ها نشان می‌دهد که عملکرد روش ارائه‌شده بخصوص در مواردی که تعداد نمونه برچسب‌دار بسیار کم است، به نحو قابل‌ملاحظه‌ای بهتر است.
کلیدواژه ‏ بازیابی تصاویر، برچسب‌زنی خودکار تصاویر، یادگیری نیمه نظارتی
آدرس دانشگاه بوعلی سینا, گروه مهندسی کامپیوتر, ایران, دانشگاه بوعلی سینا, گروه مهندسی کامپیوتر, ایران, دانشگاه بوعلی سینا, گروه مهندسی کامپیوتر, ایران
پست الکترونیکی hkh@basu.ac.ir
 
   A graph based hybrid semisupervised approach for automatic image annotation  
   
Authors Khotanlou Hassan ,Kordabadi Mojtaba ,Mansoorizadeh Muharram
Abstract    Graph based semisupervised methods for automatic image annotation are mainly focused on singlelabel problems. However, most of the real world problems require multiple labels per image. As a hybrid semisupervised approach, LGC+MLKNN is proposed for multilabel image annotation. LGC is a graph based semisupervised learning algorithm that annotates unlabeled samples. Subsequently, MLKNN learns from many more labeled samples, as compared to the initial training set. Experiments on several datasets confirm that the proposed approach has better accuracy than available methods, especially when a very small portion of the training set are the labeled samples.
Keywords
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved