摘要图片网站上有用户上传的大量网络图像，它们的搜索引擎大多建立在对关键词（即标注）的匹配程度上，这样便于管理。然而，用户所提供的对图像的标注信息大多是不完整的、不准确的，甚至还可能有错误。如此一来，通过标注搜索的方式，其性能很不稳定。因此，我们需要提出一种有效的方法，能够批量完善用户所提供的标注信息，提高搜索引擎的性能。我们将用户所提供的标注信息用矩阵的形式来表示，通过低秩分解的方法，将最初的标注矩阵D转化为两个矩阵，即完善的标注矩阵A和错误的标注矩阵E。此外，图像与图像之间的视觉相似性、标注与标注之间的相关联程度也是解决问题的两个重要的方向。于是，我们需要利用A、E、图像内容一致性、标注相关性这四者的关系来构建一个合理的最优化问题模型，采用迭代的步骤以尽可能得到准确、完整的标注信息。大量以实验为依据的研究表明，这样的方法具有高效性。64828

毕业论文关键词  标注矩阵  低秩  视觉相似性  最优化问题  迭代

毕业设计说明书（论文）外文摘要

Title   Image Tag Improvement Research Towards Low-Rank  Decomposition Of The Matrix                     

Abstract Plenty of user-uploaded images on the photo sharing websites, which search engines are mostly based on keyword/tag matching for management. However, user-provided image tags are often incomplete, imprecise, and even wrong, resulting in unstable performances in tag searching. Therefore, we should raise an effective method which is able to improve numbers of user-provided tags and enhance the performances of search engines. We use the format of matrix to represent user-provided tags, and use the low-rank decomposition method to transform the initial tag matrix D to the completed tag matrix A and the erroneous tag matrix E. In addition, visual similarities between images and correlation between tags are also significant measures to solve the problem. Hereupon, we use the relation between the matrix A, the matrix E, content consistency and tag correlation to build a reasonable model for the optimization problem, and adopt the iteration procedure in order to receive possibly precise and complete information. Extensive experimental studies show that the raised method is efficient.

Keywords  tag matrix  low-rank  visual similarity  optimization problem  iteration

目   次

1  引言 1

1.1  研究背景、目的与意义 1

1.2  整体框架设计 2

1.3  其余章节安排 5

2  相关介绍 5

2.1  相关的实验工具介绍 5

2.2  相关的工作介绍 7

3  基于低秩、错误稀少、内容一致性、标注相关性的标注完善 8

3.1  低秩与错误稀少 9

3.2  图像内容一致性 9

3.3  标注相关性 10

4  近似加速梯度的迭代算法 11

4.1  一般的近似加速梯度算法 11

4.2  基于近似加速梯度算法的健全的主成分分析 12

4.3  利普希茨连续性的证明 13

4.4  低秩矩阵A和错误稀少矩阵E的最优化 14

4.4.1  低秩矩阵A 的最优化 14

4.4.2  错误稀少矩阵E的最优化 15

4.5  算法的具体实现 15

5  实验与评价 17

5.1  评价指标的有关说明 17

5.2  实验环境说明 19

5.3  实验数据分析 19

结论 26

致谢 26

参考文献 27

附录  奇异值分解的有关说明 30