面向多媒体检索的重排序方法研究

摘要

近年来，多媒体检索重排序方法因其能有效提高多媒体检索的准确率而得到广泛关注，其中基于图的重排序是目前的主流方法。基于图的重排序方法可大致分为两类：全局上下文敏感的重排序方法和局部上下文敏感的重排序方法。随着多媒体数据的爆发式增长，局部上下文敏感的重排序方法因其高效的计算效率而渐渐开始流行。局部上下文敏感的重排序方法一般分为两步：1）利用局部上下文敏感的相似度度量方法重新度量多媒体数据之间的相似度关系；2）使用结果选择算法在新的相似度关系图中选择检索结果集合。本文针对这两个步骤分别提出了一种方法。 在相似度关系再度量阶段，传统的方法一般选择一层近邻作为上下文信息，这种方法对近邻范围的大小极为敏感。过小的近邻范围使得部分多媒体对象之间的相似度无法度量，过大的近邻范围容易引入噪声。为此本文提出了一种利用局部延伸近邻及原始排序列表中的位次信息的相似度度量方法LSNRI。通过该方法不仅能利用更多的上下文信息，同时也能有效减弱噪声的影响。 在检索结果选择阶段，本文根据多媒体检索问题的特殊性，提出了一种基于聚类的重排序算法框架，并在该框架下提出了一种基于谱聚类的重排序方法。由于谱聚类的求解复杂度过高，不适合多媒体检索场景，本文提出了一种贪心策略GSC求解多媒体检索问题中的谱聚类问题，可以有效提高计算效率。为了克服GSC方法对噪声敏感的问题，本文将拓展查询QE方法应用到GSC的初始化过程中。结合QE和GSC可以在相似度再度量的基础上进一步提升检索准确率。 为验证提出方法的有效性，本文给出了所有方法在图像和音乐的五个标准数据集上的实验，数据集包括：Corel-1K、Corel-10K、Coil-100、UKbench和GTZAN，实验结果表明本文提出的方法能有效提高多媒体检索的准确率。

目录

第一个书签之前

摘　　要

Abstract

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 图像特征提取技术研究现状

1.2.2 音乐特征提取技术研究现状

1.2.3 基于图的重排序方法研究现状

1.3 主要内容及章节安排

1.3.1 本文主要内容

1.3.2 章节安排

2 问题定义及相关理论

2.1 多媒体检索问题定义

2.2 相关图像特征描述子

2.2.1 HSV颜色直方图

2.2.2 颜色差分直方图

2.2.3 微结构描述子

2.2.4 感知一致描述子

2.3 相关音乐特征描述子

2.3.1 均方根能量

2.3.2 Constant Q Transform

2.3.3 梅尔频率倒谱系数

2.3.4 光谱对比度

2.4 相似度关系图及其融合算法

2.5 上下文敏感的重排序算法

2.5.1 全局上下文敏感的重排序算法

2.5.2 局部上下文敏感的重排序算法

3 基于局部延伸近邻及位次信息的相似度度量方法

3.1 引言

3.2 算法描述

3.2.1 基于局部延伸近邻的相似度度量算法

3.2.2 基于位次信息相似度度量

3.2.3 基于局部延伸近邻及位次信息的相似度度量

3.3 多媒体检索实验

3.3.1 数据集介绍及评价指标

3.3.2 实验设置及对比算法

3.3.3 实验结果及分析

3.4 本章小结

4 基于聚类及拓展查询的重排算法

4.1 引言

4.2 基于聚类的重排算法框架

4.3 基于谱聚类的重排算法

4.3.1 谱聚类目标函数

4.3.2 谱聚类目标函数求解

4.3.3 多媒体检索问题中谱聚类的贪心求解

4.4 拓展查询

4.5 多媒体检索实验

4.5.1 实验设置

4.5.2 实验结果及分析

4.6 本章小结

结　　论

参考文献

攻读硕士学位期间发表学术论文情况

致　　谢

大连理工大学学位论文版权使用授权书