کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6864994 1439553 2018 20 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Scalable graph based non-negative multi-view embedding for image ranking
ترجمه فارسی عنوان
تعبیه چند نمایه غیر منفی برای رتبه بندی تصویر بر اساس نمودار مرتب شده بر اساس
ترجمه چکیده
با توجه به شکاف معنایی شناخته شده، وظیفه بازیابی تصویر مبتنی بر محتوا هنوز یک مشکل چالش است. عملکرد رتبه بندی تصویر به شدت به نمایندگی ویژگی بستگی دارد. در این مقاله، در تلاش برای ایجاد ویژگی های بیشتر تبعیض آمیز، ما یک چارچوب تعبیه ویژگی غیر منفی ویژگی چند گراف برای رتبه بندی تصویر پیشنهاد می دهیم. در این چارچوب، ویژگی های مختلف تصویر به یک فضای پنهان یکپارچه با یک مدل جاسازی چندجملهای غیر منفی بر اساس نمودار آماری جاسازی شده است. در این مدل، یک اصطلاح تصحیح چندگانه مبتنی بر چند گراف، که ساختار هندسی و تفسیر کننده درونی فضای داده را کشف می کند، به فاکتور سازی ماتریس غیر منفی اعمال می شود. چارچوب یادگیری برای پیدا کردن یک ترکیب بهینه شده از ماتریس های مختلف لاپلاس برای تقریب منیفولد ذاتی به طور خودکار. در همین حال، نمودارهای لنگر چندگانه برای کاهش پیچیدگی محاسبات استفاده می شود. در نهایت، رتبه بندی بر اساس نمره مربوطه که توسط یک فیلد تصادفی مارکوف تعریف شده است، انجام می شود. آزمایش های گسترده اثربخشی روش پیشنهادی را ثابت می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Due to the well-known semantic gap, content based image retrieval task is still a challenge problem. The performance of image ranking highly depends on feature representation. In this paper, trying to make a more discriminative feature, we propose a multi-graph based non-negative feature embedding framework for image ranking. In this framework, various image features are embedded into a unified latent space by a learned graph based non-negative multi-view embedding model. In this model, a multi-graph based regularization term, which discovers the intrinsic geometrical and the discriminating structure of the data space, is imposed into the non-negative matrix factorization. The framework learns to find an optimized combination of different Laplacian matrices to approximate the intrinsic manifold automatically. Meanwhile, multiple anchor graphs are utilized to reduce the complexity of computational. Finally, ranking is conducted according to the relevance score inferred by a Markov random field. Extensive experiments prove the effectiveness of proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 274, 24 January 2018, Pages 29-36
نویسندگان
, , , , ,