Annotation automatique d\'image

L'annotation automatique d'image de (également connu sous le nom d'image automatique étiquetant) est le processus par lequel un système informatique assigne automatiquement les méta-données sous forme de attribuant un libelle ou mots-clés à une image numérique. Cette application des techniques de la vision d'ordinateur est employée dans des systèmes de la récupération d'image de pour organiser et localiser des images d'intérêt d'une base de données .

Cette méthode peut être considérée comme un type de classification multiclasse d'image avec un nombre très grand de classes - aussi grandes que la taille de vocabulaire. Typiquement, l'analyse d'image sous forme de vecteurs extraits de dispositif et les mots d'annotation de formation sont employés par des techniques de l'étude de machine pour essayer de s'appliquer automatiquement des annotations à de nouvelles images. Les premières méthodes ont appris les corrélations entre les dispositifs d'image et les annotations de formation, puis des techniques ont été développées using la traduction automatique pour essayer et traduire le vocabulaire textuel avec « le vocabulaire visuel », ou ont groupé des régions connues sous le nom de gouttes de . Le travail après ces efforts ont inclus des approches de classification, modèles de pertinence et ainsi de suite.

Les avantages de l'annotation automatique d'image contre la récupération d'image Contenu-basée par sont que des questions peuvent plus naturellement être spécifiées par l'utilisateur. CBIR généralement (actuellement) exige des utilisateurs de rechercher par des concepts d'image tels que la couleur et la texture, ou trouver des questions d'exemple. Certains dispositifs d'image dans des images d'exemple peuvent dépasser le concept que l'utilisateur focalise vraiment dessus. Les méthodes traditionnelles de récupération d'image comme ceux employés par des bibliothèques se sont fondées sur des images manuellement annotées, qui est chère et longue, particulièrement donné les grandes et constant-croissantes bases de données d'image en existence.

Quelques moteurs d'annotation sont en ligne, y compris le moteur de étiquetage en temps réel d'ALIPR.com développé par des chercheurs de Penn State, et voient - un Search Engine d'image qui indexe plus de 1 million d'images de Flickr using les étiquettes automatiquement produites.

Un certain travail principal

de modèle de Co-occurrence de mot

Annotation en tant que de traduction automatique

de modèles statistiques

Indexation linguistique automatique de d'images

Modèle hiérarchique de faisceau d'aspect de

< ! -- Barnard, Forsyth -->

Modèle d'attribution latent de Dirichlet < ! -- Blei, Jordanie -->

de étiquetage multiclasse dirigé de

de similitude de texture

Le vecteur de soutien usine le

Ensemble d'arbres de décision et de
aléatoire de
de sous-fenêtres

maximum de
d'entropie

La pertinence modèle < ! -- jeon, lavrenko, manmatha -->

La pertinence modèle using des fonctions de densité continues de probabilité < ! -- Lavrenko -->

logique de
de modèle de langue

Réseaux d'inférence < ! -- Metzler, manmatha -->

Distribution de Bernoulli multiple < ! -- Feng -->

multiple de
de solutions de rechange de conception

normal de
d'annotation de scène

Filtres globaux de bas niveau appropriés < ! -- Oliva, Torralba -->

Dispositifs globaux d'image et évaluation non paramétrique de densité < ! -- Yavlinsky -->

visuel de
de sémantique

Amélioration d'annotation d'image using le de base de connaissances

Voir également

Reconnaissance des structures
Récupération d'image de
le Contenu-a basé la récupération d'image

Random links: