利用局部语义概念与空间视觉词包的自然场景图像标注
计算机视觉与模式识别
2022-10-18 v1
摘要
使用视觉词包（BOW）模型基于在兴趣点位置计算的局部不变特征来建模图像，已成为许多计算机视觉任务的标准选择。由图像特征向量生成的视觉词汇有望产生具有判别力的视觉词，以提升图像标注系统的性能。大多数在图像标注中采用 BOW 模型的技术忽视了可从图像类别中挖掘以构建判别性视觉词汇的有用信息。为此，本文引入了一个详细框架，用于利用来自预定义词汇的局部语义标签自动标注自然场景图像。该框架基于一个假设，即假设在自然场景中，中间语义概念与局部关键点相关。基于此假设，图像区域可由 BOW 模型高效表示，并使用如 SVM 的机器学习方法将图像区域标注以语义标签。本文的另一个目标是探讨从图像一半（而非整幅图像）生成视觉词汇对以语义标签标注图像区域性能的影响。所有基于 BOW 的方法以及基线方法已使用 SVM 和 KNN 分类器在 6 类自然场景数据集上进行了广泛评估。所报告的结果显示了使用 BOW 模型表示图像区域语义信息并从而以标签自动标注图像区域的合理性。
引用
@article{arxiv.2210.09045,
title = {Natural Scene Image Annotation Using Local Semantic Concepts and Spatial Bag of Visual Words},
author = {Yousef Alqasrawi},
journal= {arXiv preprint arXiv:2210.09045},
year = {2022}
}