主页
2013-05-04：本研究室提交的2篇论文全部被图像处理领域知名国际会议ICIP2013接收
本研究室提交的2篇论文全部被ICIP2013接收：其中一篇为Wenxuan Xie, Zhiwu Lu, Yuxin Peng, and Jianguo Xiao, “Multimodal Semi-Supervised Image Classification by Combining Tag Refinement, Graph-based Learning and Support Vector Regression”，另一篇为Ding Ma, Xiaohua Zhai, and Yuxin Peng, “Cross-Media Retrieval by Cluster-based Correlation Analysis”。祝贺谢文轩同学和马丁同学！其中马丁为研究室的本科实习生，实习研究方向为跨媒体检索。
第一篇论文针对多模态半监督图像分类任务中的文本标签信息不完善、监督信息过少、以及如何利用核方法等三个问题，分别提出了文本标签优化、基于图的半监督学习、以及基于核方法的支持向量回归等三个方法来加以解决。具体地，文本标签优化能够利用图像特征相似度得到优化后的文本特征表示，基于图的半监督学习方法能够在监督信息较少的情况下得到更为准确的训练集图像类别预测结果，而基于核方法的支持向量回归能够直接利用图像核矩阵得到测试集的图像类别预测结果。实验结果表明，将上述三个方法结合起来使用，能够取得比已有方法更好的效果。
第二篇论文针对跨媒体检索中如何度量不同媒体之间的内容相似性问题，提出了基于多媒体内容关联关系分析的相似性计算方法。首先，论文在单一的媒体中进行聚类，得到多个无监督聚类。然后，利用多媒体文档中的跨媒体共存关系，得到跨媒体的聚类之间相关程度，并以此构造跨媒体聚类关联图。基于得到的图模型即可以进行跨媒体检索。该方法基于如下假设：存在于同一个多媒体文档中的不同媒体内容一般描述了相同的主题。这与直接利用类别信息进行跨媒体检索相比，利用聚类作为跨媒体关联分析单元更为精细，同时也避免了直接利用多媒体对象进行分析时产生的关联稀缺现象。和现有方法相比，论文在微博数据集上验证了有效性。
第一篇论文针对多模态半监督图像分类任务中的文本标签信息不完善、监督信息过少、以及如何利用核方法等三个问题，分别提出了文本标签优化、基于图的半监督学习、以及基于核方法的支持向量回归等三个方法来加以解决。具体地，文本标签优化能够利用图像特征相似度得到优化后的文本特征表示，基于图的半监督学习方法能够在监督信息较少的情况下得到更为准确的训练集图像类别预测结果，而基于核方法的支持向量回归能够直接利用图像核矩阵得到测试集的图像类别预测结果。实验结果表明，将上述三个方法结合起来使用，能够取得比已有方法更好的效果。
第二篇论文针对跨媒体检索中如何度量不同媒体之间的内容相似性问题，提出了基于多媒体内容关联关系分析的相似性计算方法。首先，论文在单一的媒体中进行聚类，得到多个无监督聚类。然后，利用多媒体文档中的跨媒体共存关系，得到跨媒体的聚类之间相关程度，并以此构造跨媒体聚类关联图。基于得到的图模型即可以进行跨媒体检索。该方法基于如下假设：存在于同一个多媒体文档中的不同媒体内容一般描述了相同的主题。这与直接利用类别信息进行跨媒体检索相比，利用聚类作为跨媒体关联分析单元更为精细，同时也避免了直接利用多媒体对象进行分析时产生的关联稀缺现象。和现有方法相比，论文在微博数据集上验证了有效性。