主 讲 人:刘宁宁 博士 法国里昂中央理工大学
时 间: 2013年6月24日 下午 14:00
地 点: 首师大北二区二层大会议室
主讲人介绍:刘宁宁,法国里昂中央理工大学博士生。2002年获得首都师范大学数学科学学院学士学位, 2006年获得北京航空航天大学计算机学院硕士学位,2009年获留学基金委建设高水平大学项目资助,由北航公派前往法国里昂中央理工攻读博士学位,研究方向:图像理解及图像情感计算。
报告摘要:
图像检索是图像理解领域的热点研究内容。20世纪90年代,出现了对图像的内容语义,如图像的颜色、纹理、布局等进行分析和检索的图像检索技术,即基于内容的图像检索。而基于内容的图像检索技术依赖于图像的低层视觉特征,与人们理解的图像高层语义之间并没有直接的联系。如何突破图像低层视觉特征的限制,跨越低层特征与高层语义之间的“语义鸿沟”,实现语义层次上的分类和检索,已成为图像理解领域研究的热点与难点。
到了本世纪初,基于图像的语义分析,主要集中在对尺度,缩放,旋转,仿射变换具有不变性的图像局部特征--描述算子研究(例如 SIFT)。经过近10年的发展,而基于图像本身的语义分析已经遇到了瓶颈,学术上开始寻找其他有效信息。随着社会网络的发展,越来越多的用户将图片分享到网上并提供文本标注,这些对图片的描述信息无疑为图像的语义理解提供了有用的帮助。而此类文本过于稀疏,并不适合直接用于分类。针对此特点,报告将介绍一种作者提出的全新的基于WordNet语义计算的文本特征Histogram Textural Concepts(HTC),此特征可以有效克服文本稀疏的特点。为了验证特征的有效性,选择了ImageCLEF Visual Concept Detection and Annotation Task(VCDT)。此竞赛提供了来自Flickr上的15000张图像及相应文本,用于训练94个高层语义类别(例如 愉快,悲伤,家庭聚会等),并要求在10000张图像上做测试。刘宁宁等人所提的基于HTC和图像特征混合模型,在2011和2012年的竞赛中都取得了优异的成绩。在ImageCLEF2012 竞赛80个所提交的模型中,我们所提出的融合了HTC特征的混合模型,在所有的3个度量标准中都获得第一名的成绩。 这也进一步印证了基于文本的语义距离的HTC特征的有效性。
学术报告.doc