|
|
题目：
雅宝题库答案：
****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案
雅宝题库解析：
随着网络上大量视频数据的涌现，基于语义概念的视频检索成为了研究的热点题目，而语义概念检测是其中一个重要的基本题目。语义概念检测的主要目标是自动检测语义概念是否存在于测试的视频镜头中。随着视频数据的海量增加使得视频语义概念检测任务变得更有挑战性，因为越来越多的视频来自不同的领域（例如新闻类的、文档类的，娱乐类的等）。来自不同领域的视频可能具有不同的数据分布，尽管它们可能包含相同的语义概念。另外，目前常用的视频语义概念检测方法忽略了语义概念不是单独存在的，即语义概念之间是具有相互关系的。如何使用语义概念之间的关系来提高单个语义概念的检测效率也是视频语义概念检测中值得研究的题目。针对上述题目，本论文对视频语义概念检测中的跨域题目以及语义概念关系进行了深入探索和研究，我们工作的主要贡献如下：1.针对跨域语义概念检测题目，现有的研究方法大多假设原始域和目标域的数据分布不同，但相差不大，所以在训练新的目标域的分类器时经常把原始域的分界面当成可靠的参考。但在实际情况中可能两个数据域的分布相差很大，而导致原始域的分界面不再可靠。针对上述题目，本论文使用主动学习的方法来解决跨域视频语义概念检测的题目，提出两种查询策略分别处理两个数据域数据分布相似或者相差很大的情况。同时，针对在实际中两个数据域分布相差多少未知的情况，我们提出一种将两种查询策略相结合的方法，使其在不同数据分布情况下发挥不同策略的优势。经实验验证，与其它的跨域视频语义概念检测方法相比，本论文提出的方法能够考虑不同的数据分布情况，具有较高的平均检测率。2.针对目前跨域视频语义概念检测的方法只使用原始域的样本，在本论文中我们提出基于高斯随机场的主动学习方法，使得训练的基准分类器可以同时考虑两个数据域的分布。高斯随机场通过构建一个图的方式将两个域的数据同时作为训练数据。原始域样本的标注通过一个调和函数传播到未标注的目标域样本上，这样目标域样本将获得它们的预测标注。然后使用最不确定性采样对目标域样本的真实标注进行查询，获得这些标注可以使分类器更快的适应到目标域的数据分布上。为了加快模型适应到目标域数据分布上的速度，本论文使用了样本加权策略以及有效的模型更新方法。经实验验证，我们提出这种基于高斯随机场的主动学习方法与其它主动学习方法，及另外两种迁移学习的方法相比，在跨域视频语义概念检测任务上取得较好的效果。3.视频检索中用户感兴趣的语义概念类型包含的范围很广，包括物体类的，场景类的，时间类的和特定命名类的。但是语义概念并不是单独存在的。基于此，本论文提出一种分类器的设计方法，在同一目标函数中同时对多个语义概念进行学习以及对它们之间的关系进行建模，越相似的语义概念的分界面应该距离越近，反之越远。针对学习过程中参数过多的题目，本论文提出了使用基于核函数的多任务学习方法对目标函数进行学习，并给出了线性可分及线性不可分两种情况下的解决方法。经实验验证，我们提出的这种基于多任务学习的方法与其它的基于上下文的两层模型相比，在语义概念测试集合上取得了较高的平均查准率。4.在相关语义概念的关系学习中，目前常用的方法都是基于输出空间的，而很少有工作集中在输入空间（低层特征空间）对它们之间的关系进行研究。针对这个题目，本论文提出一种特征差分的方法对它们在特征空间的关系进行研究。对于每个语义概念使用其低层特征均值作为其原型特征，将原始特征与相关语义概念的原型特征做差分，得到相关语义概念的差分特征。这种差分特征表示相关语义概念之间在低层特征空间上的差分关系。然后，本论文提出了两种基于此种特征的语义概念学习方法：一种方法将所有相关语义概念得到的差分特征串联起来得到新的特征进行训练；另一种方法使用AdaBoost算法进行特征选择。实验结果证明了提出的这两种方法的有效性。 综上所述，针对视频语义概念中的跨域检测题目以及相关语义概念的关系，本论文分别从主动学习的查询策略设计，基准分类器的设计，多任务学习模型的设计以及相关语义概念在特征空间的关系四个方面开展开了深入的研究，并通过在真实视频数据中的实验对方法的有效性进行了验证。 |
上一篇：三角网格变形体的自碰撞检测方法研究下一篇：基于音频相似的社会化标签传播方法研究与实现
|
发表于 2022-4-23 11:51:35
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
