این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۶، شماره ۲، صفحات ۷۹-۸۸
عنوان فارسی روشی ترکیبی و نیمه نظارتی مبتنی بر گراف برای برچسب‌زنی خودکار تصاویر
چکیده فارسی مقاله روش‌های یادگیری نیمه نظارتی مبتنی بر گراف اغلب بر روی مسائل تک برچسبی متمرکز و پیاده‌سازی شده‌اند، درصورتی‌که بسیاری از مسائل دنیای واقعی به‌صورت چندبرچسبی هستند. در این مقاله یک روش نیمه نظارتی ترکیبی بنام LGC+ML-KNN برای برچسب‌زنی تصاویر به‌صورت چندبرچسبی ارائه داده‌ایم که از ترکیب روش یادگیری نیمه نظارتی مبتنی بر گراف (LGC) و یادگیری چندبرچسبی (ML-KNN) تشکیل‌شده است . روش ارائه‌شده به دلیل استفاده از یادگیری نیمه نظارتی و مشارکت دادن تمام نمونه‌ها و پیش‌بینی برچسب‌های اولیه و آموزش یادگیر ML-KNN با تعداد نمونه برچسب خورده بیشتر، دارای دقت بهتری نسبت به روش‌های موجود است. روش ارائه‌شده روی چندین مجموعه داده استاندارد آزمون شده است. نتایج آزمایش‌ها نشان می‌دهد که عملکرد روش ارائه‌شده بخصوص در مواردی که تعداد نمونه برچسب‌دار بسیار کم است، به نحو قابل‌ملاحظه‌ای بهتر است.
کلیدواژه‌های فارسی مقاله ‌ بازیابی تصاویر، برچسب‌زنی خودکار تصاویر، یادگیری نیمه نظارتی،
عنوان انگلیسی A graph based hybrid semi-supervised approach for automatic image annotation
چکیده انگلیسی مقاله Graph based semi-supervised methods for automatic image annotation are mainly focused on single-label problems. However, most of the real world problems require multiple labels per image. As a hybrid semi-supervised approach, LGC+ML-KNN is proposed for multi-label image annotation. LGC is a graph based semi-supervised learning algorithm that annotates unlabeled samples. Subsequently, ML-KNN learns from many more labeled samples, as compared to the initial training set. Experiments on several datasets confirm that the proposed approach has better accuracy than available methods, especially when a very small portion of the training set are the labeled samples.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مجتبی کردآبادی |
دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه بوعلی سینا

محرم منصوری زاده |
گروه مهندسی کامپیوتر، دانشگاه بوعلی سینا

حسن ختن لو |
گروه مهندسی کامپیوتر، دانشگاه بوعلی سینا

نشانی اینترنتی http://jmvip.sinaweb.net/article_82359_b4793db96a4fa549b6fae548cb8de120.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1041/article-1041-2309596.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات