摘要：智能手机、照相机等成像设备在生活中日益普及，每天有数量惊人的图像通过各类社交媒体或共享网站传播。面对这些海量图像资源，如何高效地管理并利用它们，是计算机领域的研究热门。为了解决这一问题，学者们已经提出了一些相关技术，其中图像标注的效果尤为显著。同时图像标注技术还在一定程度上解决了“语义鸿沟”的问题。由此可见图像标注是一项重要而又富有挑战性的任务。

深度学习是机器学习研究中的一个重要领域，自它提出以来，在图像、文本等多方面取得了巨大的突破。本课题首先基于深度学习算法理论来获取图像的特征向量，采用二值化的“图词”关系实现MBRM图像标注。实验结果表明，该方法在Corel5k数据集上取得了很好的标注效果。与传统标注方法相比，不仅标注效果明显改善，所消耗的时间也大幅度减少。其次，平滑处理是文本语言模型的核心技术，同时也是图像标注领域的关键技术。现有的平滑处理技术是在全局范围内进行的，造成了非常大的时间开销。针对这种不足，采用了局部平滑处理方法。并在局部平滑处理的基础上，采用深度学习提取的特征向量。这种方法在提高标注效果的同时，也大幅度的降低了标注时间。

关键词：图像标注；深度学习；二值化；平滑处理

目录

摘要

Abstract

1 绪论-1

1.1 研究背景和意义-1

1.2 国内外研究现状-2

1.3 课题主要研究内容-3

2 传统的相关标注模型-4

2.1 基于概率的标注模型-4

2.2 基于分类的标注模型-5

2.3 基于深度学习的标注模型-6

3 改进基于概率的标注模型-7

3.1 跨媒体相关模型及其改进-7

3.1.1 跨媒体相关模型分析-7

3.1.2 基于局部平滑处理的CMRM算法-8

3.1.3 实验结果与分析-9

3.2 多伯努利相关模型及其改进-10

3.2.1 多伯努利相关模型分析-10

3.2.2 改进的MBRM算法-11

3.2.3 实验结果与分析-11

3.3 通用的图像标注模型-12

3.4 本章小结-13

4 基于深度学习的图像标注-14

4.1 深度学习理论与模型-14

4.1.1 深度学习简介-14

4.1.2 深度学习基本思想-15

4.1.3 深度学习常用方法-15

4.2 现有的基于深度学习的图像标注模型-16

4.3 基于深度学习的特征提取-17

4.4 基于深度学习的图像标注-18

4.5 实验结果与分析-19

4.6 本章小结-21

结    论-22

参 考 文 献-23

致    谢-25