A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Completion of Missing Labels for Multi-Label Annotation by a Unified Graph Laplacian Regularization Conclusão de rótulos ausentes para anotação de vários rótulos por uma regularização laplaciana de gráfico unificado

Jonathan MOJOO, Yu ZHAO, Muthu Subash KAVITHA, Junichi MIYAO, Takio KURITA

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A tarefa de anotação de imagens está se tornando extremamente importante para a recuperação eficiente de imagens da web e de outros grandes bancos de dados. No entanto, a enorme informação semântica e a dependência complexa dos rótulos de uma imagem tornam a tarefa um desafio. Portanto, determinar a semelhança semântica entre vários rótulos em uma imagem é útil para entender qualquer atribuição de rótulo incompleta para recuperação de imagem. Este trabalho propõe um novo método para resolver o problema de anotação de imagens multi-rótulos, unificando dois tipos diferentes de termos de regularização laplaciana em redes neurais convolucionais profundas (CNN) para desempenho robusto de anotação. O modelo unificado de regularização Laplaciana é implementado para abordar os rótulos ausentes de forma eficiente, gerando a similaridade contextual entre os rótulos tanto interna quanto externamente por meio de suas semelhanças semânticas, que é a principal contribuição deste estudo. Especificamente, geramos matrizes de similaridade entre rótulos internamente usando o método de quantificação tipo III de Hayashi e externamente usando o método word2vec. As matrizes de similaridade geradas pelos dois métodos diferentes são então combinadas como um termo de regularização Laplaciana, que é usado como a nova função objetivo da CNN profunda. O termo Regularização implementado neste estudo é capaz de resolver o problema de anotação multirótulo, possibilitando uma rede neural treinada de forma mais eficaz. Resultados experimentais em conjuntos de dados de benchmark públicos revelam que o modelo de regularização unificado proposto com CNN profunda produz resultados significativamente melhores do que a CNN de linha de base sem regularização e outros métodos de última geração para prever rótulos ausentes.

Publicação
IEICE TRANSACTIONS on Information Vol.E103-D No.10 pp.2154-2161
Data de publicação
2020/10/01
Publicitada
2020/07/03
ISSN online
1745-1361
DOI
10.1587/transinf.2019EDP7318
Tipo de Manuscrito
PAPER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Jonathan MOJOO
  Hiroshima University
Yu ZHAO
  Hiroshima University
Muthu Subash KAVITHA
  Hiroshima University
Junichi MIYAO
  Hiroshima University
Takio KURITA
  Hiroshima University

Palavra-chave