基于扩散映射流形学习算法的网络图像标注

自动图像标注是机器视觉领域最具挑战性的问题之一。该任务的目标是为真实数据中捕获的图像自动预测多个关键词。许多方法基于视觉特征来计算图像样本间的相似度，但这些方法的计算成本非常高，且需要将大量训练样本存储在内存中。为了减轻这一负担，已开发出多种技术来减少数据集中的特征数量。流形学习是一种流行的非线性降维方法。本文研究了扩散映射流形学习方法在网络图像自动标注任务中的应用。我们使用扩散映射流形学习方法来降低某些视觉特征的维度。在 NUS-WIDE-LITE 网络图像数据集上，利用不同视觉特征进行的大量实验和分析表明，这种流形学习降维方法能够有效地应用于图像标注。