基于稀疏非負矩陣分解的圖像檢索.pdf

1、當前，社會化標簽系統(tǒng)日益流行。社會化標簽系統(tǒng)已成為Web2.0時代的標志性特征之一。用戶可在不同的社會化標簽系統(tǒng)中分享并自由標注不同媒體，比如在Flickr上分享并標注圖片，在YouTube上分享視頻并添加標簽；同時，用戶也可以在社會化標簽系統(tǒng)中檢索感興趣的資源。這些不斷發(fā)展的社會化標簽系統(tǒng)，在不斷豐富我們生活的同時，也給我們的研究工作帶來了挑戰(zhàn)與機遇。
　　 如何對用戶自由添加的標簽進行除噪音、去歧義等操作，提升標注的準確性，

2、并進一步提高基于標簽的信息檢索的準確性?如何充分利用多種不同來源數(shù)據(jù)的豐富信息，實現(xiàn)多數(shù)據(jù)源問的遷移學習和相互輔助?這些問題已成為當前國內(nèi)外研究的熱點。
　　 針對上述問題，本文吸收了稀疏編碼和共享子空間學習等方面的最新研究進展，提出了基于稀疏非負矩陣分解的多源利用(Multi-source Boosting by SparseNonnegative Matrix Factorization，MtBSNMF)算法。本文提出的基于

3、稀疏非負矩陣分解的多源利用算法，通過聯(lián)合稀疏非負矩陣分解分析多來源的數(shù)據(jù)，從中挖掘不同來源數(shù)據(jù)的共享子結(jié)構(gòu)以及各來源對應(yīng)的獨立子結(jié)構(gòu)，并籍此實現(xiàn)多數(shù)據(jù)源問知識的遷移學習。
　　 基于對稀疏非矩陣分解的多源利用(MtBSNMF)算法的研究，筆者在本文進一步開展了兩部分的應(yīng)用研究。第一部分，以標簽為紐帶聯(lián)系兩類不同的數(shù)據(jù)源，研究MtBSNMF算法在基于標簽的圖像檢索領(lǐng)域的應(yīng)用；第二部分，利用圖像數(shù)據(jù)源的視覺特征，以視覺單詞為紐帶聯(lián)系