主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第10期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
史彩娟,阮秋琦.基于增强稀疏性特征选择的网络图像标注.软件学报,2015,26(7):1800-1811
基于增强稀疏性特征选择的网络图像标注
Feature Selection with Enhanced Sparsity for Web Image Annotation
投稿时间:2013-08-11  修订日期:2014-07-09
DOI:10.13328/j.cnki.jos.004687
中文关键词:  网络图像标注  稀疏特征选择  l2,1/2矩阵范数  共享子空间学习  半监督学习
英文关键词:Web image annotation  sparse feature selection  l2,1/2-matrix norm  shared subspace learning  semi-supervised learning
基金项目:国家重点基础研究发展计划(973)(2012CB316304); 国家自然科学基金(61471032, 61472030); 河北省高等学校科学技术研究青年基金(QN2014026); 教育部创新团队项目(IRT201206); 北京市现代信息科学与网络技术重点实验室资助项目
作者单位E-mail
史彩娟 北京交通大学 信息科学研究所, 北京 100044
华北理工大学 信息工程学院, 河北 唐山 063009 
shicaijuan2011@gmail.com 
阮秋琦 北京交通大学 信息科学研究所, 北京 100044  
摘要点击次数: 2174
全文下载次数: 2154
中文摘要:
      面对网络图像的爆炸性增长,网络图像标注成为近年来一个热点研究内容,稀疏特征选择在提升网络图像标注效率和性能方面发挥着重要的作用.提出了一种增强稀疏性特征选择算法,即,基于l2,1/2矩阵范数和共享子空间的半监督稀疏特征选择算法(semi-supervised sparse feature selection based on l2,1/2-matix norm with shared subspace learning,简称SFSLS)进行网络图像标注.在SFSLS算法中,应用l2,1/2矩阵范数来选取最稀疏和最具判别性的特征,通过共享子空间学习,考虑不同特征之间的关联信息.另外,基于图拉普拉斯的半监督学习,使SFSLS算法同时利用了有标签数据和无标签数据.设计了一种有效的迭代算法来最优化目标函数.SFSLS算法与其他稀疏特征选择算法在两个大规模网络图像数据库上进行了比较,结果表明,SFSLS算法更适合于大规模网络图像的标注.
英文摘要:
      In dealing with the explosive growth of web images, Web image annotation has become a critical research issue in recent years. Sparse feature selection plays an important role in improving the efficiency and performance of Web image annotation. In this paper, a feature selection framework is proposed with enhanced sparsity for Web image annotation. The new framework, termed as semi-supervised sparse feature selection based on l2,1/2-matix norm with shared subspace learning (SFSLS), selects the most sparse and discriminative features by utilizing l2,1/2-matix norm and obtains the correlation between different features via shared subspace learning. In addition, SFSLS uses graph Laplacian semi-supervised learning to exploit both labeled and unlabeled data simultaneously. An efficient iterative algorithm is designed to optimize the objective function. SFSLS method is compared to other feature selection algorithms on two Web image datasets and the results indicate it is suitable for large-scale Web image annotation.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利