[发明专利]一种基于图像内容的标签自动化定义方法

说明书

一种基于图像内容的标签自动化定义方法。本方法属于图像处理和自然语言处理领域，尤其涉及一种基于图像互信息分析的图像自动化标注方法。对现有技术中无法准确标注，错误的标注信息影响模型等问题，本发明的技术方案是：首先生成预训练模型，然后爬取互联网中的图片，将爬取的图片放入到生成的预训练模型中输出对应的标签，通过空间向量对预训练模型输出的标签进行评估，最后根据得到的新的数据更新模型和向量空间。可以根据网络数据进行自动更新模型，通过图像与图像之间的标注信息，相互学习，使其标注更加准确，特有的标签评估模块同时能够防止错误标注信息影响模型。

技术领域

本方法属于图像处理和自然语言处理领域，尤其涉及一种基于图像内容的标签自动化定义方法。

背景技术

图像标注通常是图像处理领域的一个具有现实价值的技术，它在图像检索，推荐系统中广泛使用，实用场景如以图搜图、广告精准定位、图片鉴黄和盗版检测等。传统方法通常提取图像本身信息用于图像标注，由于突进互联网图像爆炸式增长，无法对新图像、新信息进行标注。

目前，图像自动标注技术早期采用概率统计的方法，如在文献《Mori Y,TakahashiH,Oka R.Image-to-word transformation based on dividing and vector quantizingimages with words》中，MORI Y等提出建立图像与标签之间的概率分布，利用概率分布模型预测未知图像的标签。在文献《AMIRI S H,JAMZAD M.Efficient Multi-model Fusionon Supergraph for Scalable Image Annotation.Pattern Recognition》中，采用图算法，利用图像与图像之间的相似度关系构建图结构，利用图像与图像之间的权值确定标注内容。近几年来出现了一批以机器算法为核心的图像标注模型，SVM模型强大的分类能力使其出现了以下基于SVM的标注模型如：《CAO Y L,FAN J P,XUE X Y,et al.AutomaticImage Annotation by Incorporating Feature Hierarchy and Boosting to Scale upSVM》、《YANG C B,DONG M,HUA J.Region-Based Image Annotation Using AsymmetricalSupport Vector Machine-Based Multiple-Instance Learning》、《邱泽宇，方全，桑基稻，等.基于区域上下文感知的图像标注》，该模型将图像标注问题转变为分类问题，通过对每个图像进行分类，从而得到标注标签。

现有技术中，对于利用概率分布模型预测未知图像的标签，这类方法得到的概率分布很难表示图像与标签之间的分布关系，无法做到较高的准确率。对于利用图像与图像之间的相似度关系构建图结构，利用图像与图像之间的权值确定标注内容，这类方法图结构的构造复杂，随着数据增多而不再使用。对于机器算法为核心的图像标注模型，随着互联网图像数据爆炸式增长，图像类别标注也增长了很多，传统的机器学习方法也无法很好的进行处理。

发明内容

针对现有技术中无法准确标注，错误的标注信息影响模型的问题，本发明提供一种基于图像内容的标签自动化定义方法，其目的在于：能够根据网络数据进行自动更新模型，通过图像与图像之间的标注信息，相互学习，使其标注更加准确，特有的标签评估模块同时能够防止错误标注信息影响模型。

本发明采用的技术方案如下：

一种基于图像内容的标签自动化定义方法，包括以下器件：

图像预训练模块：图像分类模型的预训练，首先利用ImageNet数据集训练一个可以进行多分类的模型，该模型用于对图像进行多分类，但不一定适合于标签多分类。

数据爬取模块：负责图像、标签内容爬取并自动化下载，该数据将作为非完全模型承载体以及数据自动更新模块的重要输入；