[发明专利]一种基于归纳型矩阵补全的大规模社交图像自动标注算法

权利要求书

1.一种基于归纳型矩阵补全的大规模社交图像自动标注算法，其特征在于，所述算法包括以下步骤：

(1)选择大规模社交图像数据集，对其进行预处理后，产生用于问题模型训练的图像标签的采样矩阵；

(2)根据图像视觉内容和语义标注一致性原则，并利用图像标签的低秩性和稀疏性的融合以及归纳性矩阵补全技术，对图像自动标注问题进行建模；

(3)引入并行多块ADMM进行问题模型求解，得到问题模型的求解结果；对求解结果进行迭代更新求解，直至收敛或满足终止条件得到最终所需结果，进而得到补全的图像标注结果；

(4)对新加入的图像进行图像标注。

2.如权利要求1所述的一种基于归纳型矩阵补全的大规模社交图像自动标注算法，其特征在于，步骤1具体包括如下步骤：

(2-1)选择大规模社交图像作为数据集，对数据集中的图像进行特征提取；

(2-2)提取图像中底层视觉特征和图像标注的语义特征，构建出图像-特征矩阵和图像-标签矩阵；

(2-3)基于步骤2-2中所构建的矩阵，进行移除标记图像过少的标签等预处理，得到新的图像-特征矩阵和图像-标签矩阵，其中图像-标签矩阵中的某些行可以是全零元素，即可以含有无标签图像；

(2-4)基于步骤2-3中的图像-标签矩阵，对其生成一个元素缺失且可能包含噪声的图像标签的采样矩阵，将其作为初始化图像-标签矩阵用于问题模型训练。

3.如权利要求1所述的一种基于归纳型矩阵补全的大规模社交图像自动标注算法，其特征在于，步骤2中所述图像自动标注的问题模型表示如下：

其中，n和m分别表示图像和标签的数量，d表示图像特征的维数；M∈R^n×m为图像标签的采样矩阵，X∈R^d×n为特征-图像矩阵，Z∈R^d×m为标签诱导矩阵，E∈R^n×m为图像标签的稀疏噪声矩阵，XΤZ为待补全的图像-标签矩阵；||X^ΤZ||_*和||X^ΤZ||₁表示为图像-标签矩阵的低秩性和其固有的稀疏性，||E||₁表示图像噪声矩阵的稀疏性，C_c(X^ΤZ)和C_t(X^ΤZ)分别用来度量图像视觉内容相似性和图像标签间语义相关性，λ为可调权衡参数；Ω＝{(i,j)|1≤i≤n,1≤j≤m,M(i,j)＝1}为采样矩阵中元素的下标集合，P_Ω(·)为投影算子，定义为：

4.如权利要求1所述的一种基于归纳型矩阵补全的大规模社交图像自动标注算法，其特征在于,步骤3具体包括如下步骤：

(4-1)采用并行多块ADMM对问题模型进行优化求解，得到问题模型的求解结果；

(4-2)对上述求解结果进行迭代更新求解，直至收敛或满足终止条件得到最终结果，进而得到补全的图像标注结果。

5.如权利要求1所述的一种基于归纳型矩阵补全的大规模社交图像自动标注算法，其特征在于，步骤4具体包括如下步骤：提取新加入图像的特征向量，增加到特征-图像矩阵X中，对新得到的X与求得的标签诱导矩阵Z求内积，即X^ΤZ，从而得到新加入图像的标签。