大規(guī)模圖像數據自動標注算法研究項目摘要

主要研究大規(guī)模圖像數據的自動標注算法，具體研究內容有：研究具有更好表示和區(qū)分能力的圖像特征提取算法，其重點是研究特征選取和特征變換；研究用于高層語義特征提取的機器學習方法，其重點是研究半監(jiān)督學習和大規(guī)模數據學習問題；研究圖像標記的語義相關性挖掘問題，以進一步提高自動標記的性能，基本思路是利用先驗信息、WordNet等知識庫和標記在圖像同現等統(tǒng)計信息?；谏鲜鏊惴ㄑ芯砍晒覀儗⑨槍θ粘Ｉ钪谐Ｒ姷膶嶓w語義對象，從互聯(lián)網上下載相應的圖像，通過學習訓練建立起較大規(guī)模的視覺語義特征模型庫，用于實現圖像的自動語義標注；我們還計劃研究開發(fā)大規(guī)模圖像數據的自動標注原型演示系統(tǒng)，用于網上大規(guī)模圖像的搜索和過濾。

本規(guī)范對輸變電巡視隱患/缺陷目標識別圖像數據集的標注作出要求，為輸變電數據集

標注提供參考。

本規(guī)范適用于電力系統(tǒng)架空輸電線路設備缺陷分級及缺陷標注。

本規(guī)范規(guī)定圖像分析隱患檢測與識別系統(tǒng)的標注要求、存儲要求、非功能性要求。

本規(guī)范的標注要求適用于深度學習算法的數據標注。

隨著圖像信息資源的迅速增長，圖像標注中存在的語義鴻溝問題嚴重影響了圖像信息資源研究與應用的發(fā)展，將人對圖像的感性認知與自動圖像標注有機聯(lián)系起來協(xié)同標注是解決問題的有效途徑。本項目綜合應用情報學、管理學、計算機科學、認知科學等多學科的理論與方法，首先通過理論分析與用戶認知實驗，深度剖析圖像語義鴻溝的產生過程，明確圖像標注的研究需求；進而構建圖像信息資源的可視化協(xié)同語義標注模型，以圖像與文本協(xié)同挖掘進行圖像標簽語義優(yōu)化，以語義可視化支持用戶感性交互，通過用戶對圖像及圖像之間關系的感性認知與計算機語義處理之間的協(xié)同，研究消減乃至消除語義鴻溝的圖像標注；接著以典型數據集及web實際數據從系統(tǒng)與用戶體驗兩方面對模型進行實證研究；最后探索將模型應用于圖像信息資源研究與實踐的途徑與方式，為有效標注大規(guī)模圖像信息資源的多層次語義提供理論與應用指導，并將豐富與拓展圖像信息資源管理理論與方法。

基于范數

這類方法通過定義

基于稀疏表示

這類方法的核心思想是建立卡通信號字典和紋理信號字典，通過稀疏編碼(sparse coding)過程把圖像分解到這兩個字典上。

基于算子信號

然而，以上分解算法的求解過程復雜且不易對圖像作更精細的層級分解。近年Peng和Hwang提出一種基于算子的信號分解算法，該方法可以將1維信號中的局部窄帶的成分分解到算子的零空間，這種局部窄帶信號成分完全由該算子所刻畫。

分解模型為：

式中，

基于算子的信號分解方法可以有效地把1維信號分解到兩類奇異線性算子的零空間，這種分解方法可以有效地應用到2維圖像信號的卡通紋理分解，使分解得到紋理成分得到具體算子的刻畫，這是從算子的思想角度對圖像中所包含成分的一種新認識，為更好地認識圖像(主要對紋理成分的認識)提供了一條新思路。為了把圖像轉變?yōu)?維信號，采用對圖像分塊處理的方法，將圖像塊系列化為1維信號，并結合卡通紋理圖像的一般特點，用局部全變差變化率作為自適應參數選擇的依據，對圖像塊進行分解，最后綜合各圖像塊的分解結果得到整個圖像的分解結果，為了一定程度克服塊效應，采取了塊間重疊的措施。同時，把自適應參數當成尺度因子，層級調整尺度因子，反復對剩余信號分解，最后實現了圖像的層級分解，對具體圖像分解驗證了算法的有效性 。

多尺度圖像

多尺度多分辨是人類視覺高效、準確工作的重要特征之一。自然產生的圖像大多包含大量不同尺度的信息，這些信息在一幅圖像中同時出現。而對圖像的應用研究往往僅限于某一尺度或某些尺度上的現象，或者只需要某些尺度的信息：其它尺度的信息往往會對處理結果有不良影響，或者增大了處理的難度和復雜性。所以把圖像信息按尺度進行分離十分必要。多尺度圖像分解可以消除其他無用尺度信息對處理結果的影響，也簡化了處理的難度和復雜性：也是圖像目標識別和邊緣檢測等處理過程的預處理方法之一。

經驗模分解方法是一種適用于非靜態(tài)和非線性數據的分解方法，該方法是直接的、后驗的和自適應的，該種分解具有完備性和準正交性 。