专利名称：使用语义距离学习的自动图像注释的制作方法
使用语义距离学习的自动图像注释背景近年来数字成像技术的快速进步导致图像捕捉和显示设备的成本的显著降低，以 及这些设备的普及度的对应的增长。例如，图像捕捉功能现在以诸如移动电话、数码相机、 摄像头等各种不同的形式在大众市场层面对消费者可用。另外，膝上型计算机现在也具有 集成摄像头。结果，近年来捕捉到的数字图像的数量已增长至空前水平。随之而来的数据 存储和网络通信技术的进步使得大众市场消费者经济地存储图像数据并将其传递给其他 人成为可能。现在也存在各种各样的大众市场软件应用，这些软件应用方便地向消费者提 供出于各种不同的目的来查看、操纵和共享该图像数据的能力。概述提供本概述是为了以简化的形式介绍将在以下详细描述中进一步描述的一些概 念。本概述并不旨在标识出所要求保护的主题的关键特征或必要特征，也不旨在用于帮助 确定所要求保护的主题的范围。此处所描述的自动图像注释(AIA)技术实施例通常能够使用语义距离学习来自 动注释图像。在一示例性实施例中，提供了一种自动注释新图像的技术。首先输入训练图 像集，其中新图像不在该训练图像集中。然后用关键字注释向量来手动注释每一个训练图 像。然后将该训练图像集划分成训练图像的多个语义聚类，其中每一个聚类包含在语义上 相似的训练图像并且每一个训练图像被划分到单个聚类中。然后对于每一个聚类学习语义 距离函数(SDF)。然后使用对应于每一个聚类的SDF来计算新图像和聚类中的每一个训练 图像之间的成对基于特征的语义距离分数，以产生对应于该聚类的成对基于特征的语义距 离分数集，其中该集合中的每一个基于特征的分数指定对新图像和聚类中的特定训练图像 之间的直观语义距离的度量。然后使用对应于每一个聚类的成对基于特征的语义距离分数 集来为该聚类生成排序列表，该排序列表根据聚类中的每一个训练图像离新图像的直观语 义距离来对该训练图像进行排序。然后为每一个聚类估算聚类关联概率，该关联概率指定 新图像在语义上与聚类相关联的概率。对于每一个聚类，然后将对聚类中的每一个训练图 像的关键字注释向量概率性地传播至新图像，从而产生对该新图像的聚类专用概率性注释 向量。最终，使用对应于所有聚类的聚类关联概率和聚类专用概率性注释向量来生成对新 图像的最终关键字注释向量。给定已经由此处所描述的AIA技术注释的图像的数据库，当 用户期望搜索该数据库并从中检索包含特定视觉特征的特定图像时，可使用为图像生成的 关键字注释，通过将图像搜索/检索过程转换成基于文本的关键字搜索/检索过程来提高 图像检索过程的效率和精确度。此处所描述的语义相对比较分数(RCQ技术实施例通常提供比较两个不同的AIA 算法的注释精确度的方法。在一示例性实施例中，提供了一种比较两个不同的AIA算法的 注释精确度的技术。输入图像集。然后手动地将地面真值关键字注释应用于集合中的每一 个图像。然后使用第一 AIA算法来为集合中的每一个图像生成第一关键字注释，并且使用 第二 AIA算法来为集合中的每一个图像自动生成第二关键字注释。然后，计算指定对第一 关键字注释和地面真值关键字注释之间的语义距离的度量的第一成对语义距离分数，并且计算指定对第二关键字注释和地面真值关键字注释之间的语义距离的度量的第二成对语 义距离分数。最终，生成语义相对比较分数，该分数通过首先确定集合中的对于其第一分数 小于第二分数的图像的数量并且然后将该图像数除以集合中的图像总数，来比较第一和第 二 AIA算法的注释精确度。除了刚才描述的好处之外，从结合附图所考虑的以下详细描述中，此处所描述的 AIA技术和语义RCS技术实施例的其它优点将变得显而易见。
参考以下描述、所附权利要求书以及附图，将更好地理解此处所描述的自动图像 注释(AIA)技术和语义相对比较分数(RCQ技术实施例的具体特征、方面和优点，附图中图1以简化形式示出了用于使用语义距离学习的AIA的多阶段过程的示例性实施 例的图示。图2A-2C以简化形式示出了用于自动注释新图像的过程的示例性实施例。图3以简化形式示出了用于比较两个不同的AIA算法的注释精确度的过程的示例 性实施例。图4以简化形式示出了构成用于实现此处所描述的AIA技术实施例的示例性系统 的基于网络的通用计算设备的示例性实施例的图示。图5示出了比较由三个不同的图像注释算法应用于共同图像的关键字注释的表 格。详细描述在以下对自动图像注释(AIA)技术和语义相对比较分数(RCQ技术实施例的描述 中，对附图进行了参考，附图构成了实施例的一部分且在其中作为说明示出了可在其中实 践该技术的具体实施例。可以理解，可以使用其它实施例并且可以做出结构上的改变而不 背离AIA技术和语义RCS技术实施例的范围。1.0使用语义距离学习的AIA的概览如在数字图像处理技术中所理解的，图像注释一般指用于用描述图像中的一个或 多个低级视觉特征(下文中简称为特征)的文本关键字(下文中简称为关键字形式的元数 据来标记(下文中称为注释)图像的方法。另外，AIA—般指用于为特定图像自动生成这 些关键字元数据标签(下文中称为关键字注释或简称为注释)的方法。本节提供了对AIA 技术实施例的基本概览。手动注释的训练图像集T可由等式T = {W,...，丨;}来给出，其中Xi是描述第i个 训练图像(下文中表示为TIi)中的特征的特征向量，而η是τ中的训练图像的总数。已经 手动地应用于Τ中的每一个训练图像的相关联的关键字注释集A可由等式义=^f2,...,tn} 来给出，其中、是已经手动应用于TIi的关键字注释向量。注意，该关键字注释集A在此被 认为是对训练图像的地面真值注释。给定其中词汇表中的每一个关键字描述不同的特征的 规定的关键字词汇表，用词汇表中的第j个关键字来注释TIi的概率tjj)可如下给出。如 果1^用词汇表中的第j个关键字来注释，则ti(j) = 1，否则ti(j) =0。如在图像注释技术中所理解的，特定图像可以用单个关键字或多个关键字来注 释。在对特定训练图像应用多个关键字注释的情况下，应用于该图像的关键字注释的总数一般相对较小。在AIA技术的已测试实施例中，T中的每一个训练图像都用一到五个不同 的关键字来手动注释，并且对关键字词汇表采用常规Corel关键字数据库。一般而言，此处 所描述的AIA技术实施例使用语义距离学习来自动生成对不在T中的新图像的关键字注释 向量W。将词汇表中的第j个关键字关联到新图像的概率w(j)可由等式w(j) e
来给出。 图1以简化形式示出了用于使用语义距离学习的AIA的多阶段过程的示例性实施 例的图示。如图1所描绘的，该过程一般包括学习阶段100，之后是新图像注释阶段102。数 据库104存储用于以上提到的手动注释的训练图像集了及其相关联的关键字注释集A的数 字图像数据。 再次参考图1，学习阶段100 —般如下操作。首先，语义聚合阶段106将数据库104 中的训练图像集划分成多个训练图像语义聚类108/112，其中每一个语义聚类包含在语义 上相似的训练图像。换言之，语义聚合阶段106用于将整个语义空间划分成多个语义子空 间。注意，语义聚合阶段106操作以使得数据库104中的每一个训练图像都被划分到单个 语义聚类108/112中。一旦完成语义聚合阶段106，语义距离函数(SDF)学习阶段114就学 习对应于每一个训练图像语义聚类108/112的SDF f⑴116/120，其中一)是为第i个训练 图像语义聚类学习的SDF。一般而言，习得的SDF f(i)测量第i个语义聚类中的训练图像对 之间的语义相似度。再次参考图1，一旦学习阶段100已经完成，新图像注释阶段102就一般地如下操 作。可以用以下方式自动地注释不在数据库104中的手动注释的训练图像集了中的新图 像122。首先，对于每一训练图像语义聚类108/112，图像排序阶段IM —般如下操作。可 以使用聚类108/112的所学习的SDF f⑴116/120来计算新图像122和聚类中的每一训 练图像之间的成对基于特征的语义距离分数，以产生该聚类的成对基于特征的语义距离分 数集。分数集中的每一基于特征的分数指定对新图像122和聚类108/112中的特定训练 图像之间的直观语义距离的度量。然后，可以使用该分数集来生成排序列表126/130，排序 列表U6/130根据聚类108/112中的每一训练图像与新图像122的直观语义距离对聚类 108/112中的每一训练图像进行排序。然后，可以估算每一聚类108/112的指定新图像在语 义上与聚类相关联的概率的聚类关联概率P (i) 110/118。一旦图像排序阶段124已经完 成，对于每一训练图像语义聚类108/112，注释传播阶段132—般如下操作。将聚类108/112 中的每一训练图像的关键字注释、概率性地传播到新图像122，以产生新图像的聚类专用 概率性注释向量《 ) 134/138。然后，通过使用每一训练图像语义聚类108/112的聚类关联 概率p(i) 110/118来组合140来自所有聚类的聚类专用概率性注释向量w(i) 134/138，可 以生成新图像142的最终关键字注释向量W。再次参考图1，现在将提供语义聚合阶段106、SDF学习阶段114、图像排序阶段IM 和注释传播阶段132的示例性实施例的详细描述。将可从以下的详细描述明白，由于多种 原因，在此描述的AIA技术实施例是有益的，这些原因包括但不限于以下原因。AIA技术实 施例并非简单地基于高维欧几里得空间中的图像之间的视觉相似性来判断图像之间的语 义相似性。相反，AIA技术实施例基于作为整体取得的图像关键字注释、来判断图像之间 的语义相似性。因而，AIA技术实施例改近新图像142的最终关键字注释w的精确度，这是 因为由错误匹配(即视觉上相似但语义上不相似的两个图像)所引入的注释“噪声”并不传播通过学习阶段100和新图像注释阶段102。此外，为新图像142生成的最终关键字注释 w在语义上相干。在下文中描述AIA技术实施例的另外的优点。2. 0学习阶段再次参考图1，本节提供上述AIA技术的学习阶段100及其相关联的两个阶段 106/114的示例性实施例的详细描述。2. 1训练图像的语义聚类本节提供上述AIA技术的语义聚合阶段的示例性实施例的详细描述。重要的是要 注意，欧几里得空间中特定图像集之间的视觉相似性并不必定意味着图像在语义上相似。 相应地，语义空间中特定图像集之间的语义相似性并不必定意味着图像在欧几里得空间中 是视觉上相似的。可以通过下列示例来阐释此现象。给定三个图像的集合，第一图像是太 阳的望远镜彩色图像，该图像被过滤为将太阳描述为红橙色的“火球”，第二图像是单独的、 完全成熟的(即红橙色的)桃子的特写彩色图像，且第三图像是多个半成熟的桃子中的一 个半成熟的(即部分绿色、部分红橙色)桃子的特写彩色图像，第二图像和第三图像在语义 上相似但是视觉上不相似。相应地，第一图像和第二图像视觉上相似但语义上不相似。如 果仅使用欧几里得空间中的视觉相似性来比较这三个图像，第一图像和第二图像将错误匹 配，因而将前述的“噪声”引入到这些图像的关键字注释中，并降低它们的注释的精确度。还重要的是要注意，包含不同的语义的图像可以具有不同的语义相似度。可以通 过下列示例来阐释此现象。给定包括关键字摩托车和天空的关键字词汇表以及不同类型的 摩托车的彩色图像的集合，作为这些摩托车图像的关键字注释，形状特征比颜色特征或纹 理特征更能提供信息。另一方面，给定相同的关键字词汇表和天空中的不同类型和结构的 散云的彩色图像的集合，作为这些云/天空图像的关键字注释，颜色特征和纹理特征更能 提供信息。为了解决前述的现象，再次参考图1，语义聚合阶段106首先将该训练图像集划分 成多个训练图像语义聚类108/112，其中每一语义聚类包含语义上相似的训练图像，且将每 一训练图像被划分到单个聚类中，而不是仅学习100数据库104中的手动注释的训练图像 集7"的单个语义相似性。给定数据库104中的训练图像集Γ的前述的关键字注释集乂，可以 假设每一训练图像的语义可以由图像的关键字注释向量、表示而非由其特征向量\表示。 可以做出此假设是因为在语义空间中关键字词汇表驻留在比特征更高的层面。给定数据库 104中的每一训练图像的关键字注释、包括相对少量的关键字的前述事实，可以使用成对 邻近度聚合技术来将训练图像集T划分成多个训练图像语义聚类108/112，成对邻近度聚 合技术基于由手动地应用的每一训练图像的关键字注释、指示的语义一般地比较T中的 训练图像的每一可能对并测量其间的语义相似度。更具体地，此成对邻近度聚合技术计算 数据库104中的训练图像的每一可能对之间的成对基于注释的语义距离分数SDO，其中每 一分数SDO指定用于训练图像的特定对之间的直观语义距离的度量。在此描述的AIA技 术实施例采用两步聚合方法，现在将详细描述其示例性实现。给定第一训练图像TI1和第二训练图像TI2,第一训练图像TI1已经用第一关键字 注释向量手动地注释，第一关键字注释向量由a = ·^^，...,给出，其中叫是^!中的关键 字的总数，第二训练图像TI2已经用第二关键字注释向量手动地注释，第二关键字注释向量由δ = ,...,\I给出，其中η2是卜中的关键字的总数，则TI1和TI2之间的直观语义距离
可以由DCTI1, TI2)给出。对应的指定对DCTI1, TI2)的度量的成对基于注释的语义距离分 数SDO由SD(a，b)给出，SD(a，b)可以由以下等式递归地计算
权利要求
1.一种用来自动地注释新图像的计算机实现的过程，包括使用计算设备来执行以下过 程动作输入训练图像集T，其中所述新图像不在T中； 用关键字注释向量手动地注释中的每一训练图像；将T划分成多个训练图像语义聚类:Tw，其中k是唯一地标识每一聚类的变量，Tw包 括语义上相似的训练图像，且将每一训练图像划分到单个聚类中； 对每一训练图像语义聚类， 学习7^)的语义距离函数(SDF) f(k)，利用f(k)来计算所述新图像和7^)中的每一训练图像之间的成对基于特征的语义距离 分数，以产生Tw的成对基于特征的语义距离分数集，其中所述集合中的每一基于特征的分 数指定对所述新图像和CTw中的特定训练图像之间的直观语义距离的度量，利用了 w的所述成对基于特征的语义距离分数集来生成Tw的排序列表，其中所述列表 根据了(/(>中的每一训练图像与所述新图像的直观语义距离来对了㈨中的该训练图像进行排 序，估算的聚类关联概率p(k)，其中p(k)指定所述新图像在语义上与Tw相关联的概 率，并且将丁㈨中的每一训练图像的所述关键字注释向量概率性地传播至所述新图像，以产生 所述新图像的聚类专用概率性注释向量w(k)；以及禾IJ用所有训练图像语义聚类(k)和w(k)来生成所述新图像的最终关键字注释向量Wo
2.如权利要求1所述的过程，其特征在于，每一训练图像的所述关键字注释向量充当所述图像的元数据标签，所述向量包括一个 或多个文本关键字，其中，从规定的关键字词汇表提取所述关键字，并且 每一关键字描述所述图像中的不同的低级视觉特征。
3.如权利要求2所述的过程，其特征在于，所述规定的关键字词汇表包括Corel关键字 数据库。
4.如权利要求2所述的过程，其特征在于，每一训练图像的所述关键字注释向量包括 一个到五个之间的不同的关键字。
5.如权利要求1所述的过程，其特征在于，每一训练图像的语义被假定为由所述图像 的所述关键字注释向量表示，且所述将τ划分成多个训练图像语义聚类的过程动作包 括以下动作计算了中的训练图像的每一可能对之间的成对基于注释的语义距离分数SDO，其中每 一分数SDO指定对T中的训练图像的特定对之间的直观语义距离的度量；以及利用所述分数SDO来将7"中的训练图像划分成H个不同的训练图像语义聚类Tw。
6.如权利要求5所述的过程，其特征在于，CT中的训练图像的特定对的所述成对基于注释的语义距离分数SDO由等式SDkbH^XminSD^M + ^JminSRa,·’6》给/=1 J^·η2 7=1出，其中，a是所述对中的一个图像的关键字注释向量，Ii1是a中的关键字的总数，且％是a中的 特定关键字，并且b是所述对中的另一图像的关键字注释向量，112是13中的关键字的总数，且…是b中的 特定关键字。
7.如权利要求6所述的过程，其特征在于，
8.如权利要求5所述的过程，其特征在于，所述利用所述分数SD()来将7"中的训练图 像划分成H个不同的训练图像语义聚类的过程动作包括以下动作利用恒定移位嵌入架构来将T中的训练图像嵌入到欧几里得向量空间中；以及 基于所述分数SDO，利用x-means算法来将所嵌入的训练图像分组成H个不同的训练 图像语义聚类Tw，其中所述x-means算法自动地确定H的最优值。
9.如权利要求1所述的过程，其特征在于，由等式了二■(&,、,...,给出，η是了中的 训练图像的总数，Xi是包括包含在所述图像中的低级视觉特征的第i个训练图像的特征向 量，TW由等式力“)= WwG1 =P给出，其中nk是P中的训练图像的数量，且所述学习τ(/ο的 语义距离函数(SDF)f(k)的过程动作包括以下动作生成:Γ(〃)的松散相对比较约束集尺，其中尺由等式咒= *」}给出，且(xa，xb, xc) 是中的训练图像的满足以下两个条件之一的所有可能的三元组的子集 Xa和&之间的直观语义距离大于\和、之间的所述距离的第一条件，或 Xa和^之间的直观语义距离等于^ca和知之间的所述距离但^ca中的特征和^中的特 征之间的差异大于^Ca中的特征和A中的特征之间的差异的第二条件；从尺随机地采样规定数量的m个约束以得到由巧(/ = 1,...,/77)给出的7^0的松散相对比 较约束的子集；训练了⑷的m个不同的成对SDFhw，…，C'}，其中每一成对SDF/；⑷使用巧来训练；以及 通过计算所述m个不同的成对SDFj/f)，...,Gl的均值来生成f(k)。
10.如权利要求9所述的过程，其特征在于，每一成对SDFf{k)由等式
11.如权利要求10所述的过程，其特征在于，所述对角矩阵W使用以下二次规划算法来计算
12.如权利要求10所述的过程，其特征在于，所述估算聚类关联概率P(k)的过 程动作包括以下动作生成估算丁(/<)中的所述训练图像的视觉特征的概率密度函数(PDF)；以及 利用所述PDF来估算聚类关联概率ρ (k)。
13.如权利要求1所述的过程，其特征在于，所述将中的每一训练图像的所述关键 字注释向量概率性地传播至所述新图像的过程动作包括以下动作利用Tw的所述排序列表来对中的所有训练图像的所述关键字注释向量进行排序，以产生τ(/ο的由Id^)给出的经排序关键字注释集，其中nk是了⑷中的训练图像的 总数，且是所述排序列表中的第i个训练图像的所述关键字注释向量；利用:Tw的所述排序列表来对所述新图像和Tw中的每一训练图像之间的所述成对基 于特征的语义距离分数进行排序，以产生了(〃)的由·{《),#>给出的经排序的成对基于特征的语义距离分数集，其中Cf >是所述新图像和所述排序列表中的第i个训练图像之间 的所述成对基于特征的语义距离分数；1 d(k) -a(k)将所述聚类专用概率性注释向量w(k)计算
14.如权利要求13所述的过程，其特征在于，α⑴被设置为使得
15.如权利要求13所述的过程，其特征在于，w(k)被归一化为使得w(k)的L-I范数是一。
16.如权利要求1所述的过程，其特征在于，多个训练图像语义聚类Tw包括H个不同的聚类，所述新图像的最终关键字注释向量w由等式W = & * 给出，并且 *表示各向量之间的元素级积。
17.一种用于比较两种不同的自动图像注释(AIA)算法的注释精确度的计算机实现的 过程，包括使用计算设备来执行以下过程动作输入图像集T ；手动地将地面真值关键字注释应用到T中的每一图像，其中T包括由η给出的图像总数；利用第一 AIA算法来自动地生成T中的每一图像的第一关键字注释； 利用第二 AIA算法来自动地生成T中的每一图像的第二关键字注释； 计算T中的每一图像的第一成对语义距离分数SD ()，其中所述第一分数SD ()指定对所 述第一关键字注释和所述地面真值关键字注释之间的语义距离的度量；计算T中的每一图像的第二成对语义距离分数SD ()，其中所述第二分数SD ()指定对所 述第二关键字注释和所述地面真值关键字注释之间的所述语义距离的度量；以及通过首先确定T中的对于其所述第一分数SDO小于所述第二分数SDO的图像的数 量，且然后将所述图像的数量除以η，来生成比较所述第一 AIA算法和所述第二 AIA算法的 注释精确度的语义相对比较分数(RCS)。
18.如权利要求17所述的过程，其特征在于，只要所述语义RCS大于0. 5，AIA算法1的注释精确度就大于AIA算法2的注释精确度，只要所述语义RCS小于0. 5，所述AIA算法2的注释精确度就大于所述AIA算法1的注 释精确度，并且只要所述语义RCS等于0. 5，所述AIA算法1和所述AIA算法2的注释精确度就相等。
19.如权利要求17所述的过程，其特征在于，T中的每一图像的所述成对语义距离分数SDO 由等式
20. 一种用于自动地注释新图像的计算机实现的过程，包括使用计算设备来执行以下 过程动作输入训练图像集T，其中所述新图像不在Γ中；用包括一个或多个文本关键字的注释向量手动地注释T中的每一训练图像，其中每一 关键字描述所述图像中的不同的低级视觉特征；计算T中的训练图像的每一可能对之间的成对基于注释的语义距离分数； 利用恒定移位嵌入架构来将了中的训练图像嵌入到欧几里得向量空间中； 利用x-means x-means算法来基于所述基于注释的分数将所嵌入的训练图像分组成H 个不同的训练图像语义聚类Tw，其中k是唯一地标识每一聚类^)的变量； 对于每一训练图像语义聚类CTw，生成”/0的松散相对比较约束集尺，其中”)由等式了⑷=·^’二给出，;^是”/o中的第i个训练图像的特征向量，nk是丁⑷中的训练图像的数量，尺由等式尺=Ml^XJM 出，且(xa，xb, xc)是中的训练图像的满足以下两个条件之一的所有可能的三元组的子 集Xa和^之间的直观语义距离大于^ca和知之间的所述距离的第一条件，或者 Xa和^之间的直观语义距离等于^ca和知之间的所述距离但^ca中的特征和^中的特 征之间的差异大于^Ca中的特征和A中的特征之间的差异的第二条件，从尺随机地采样规定数量的m个约束以得到由巧(/…,…,叫给出的了⑷的松散相对比 较约束的子集，训练7^)的m个不同的成对语义距离函数(SDF) {f,(k)d，其中每一成对SDF/；㈨使 用^来训练，通过计算所述m个不同的成对SDF {flk),...,G”的平均值来生成:Γ⑷的SDF f⑷，利用f(k)来计算所述新图像和7^)中的每一训练图像之间的成对基于特征的语义距离 分数，以产生7^)的成对基于特征的语义距离分数集，利用沪/0的所述成对基于特征的语义距离分数集来生成了㈨的排序列表，其中所述列表 根据Tw中的每一训练图像与所述新图像的直观语义距离来对7^)中的该训练图像进行排 序，生成估算Tw中的训练图像的所述视觉特征的概率密度函数(PDF)， 利用所述PDF来估算丁㈨的聚类关联概率P (k)，其中ρ (k)指定所述新图像在语义上与 Tw相关联的概率，利用Tw的所述排序列表来对Tw中的所有训练图像的所述注释向量进行排序，以产生的由广,...O合出的经排序注释集合，其中广>是排序列表中的第i个训练图像的 所述注释向量，利用Tw的所述排序列表来对所述新图像和Tw中的每一训练图像之间的所述成对基 于特征的语义距离分数进行排序，以产生了⑷的由Id1(K),...，<1给出的经排序的成对基 于特征的语义距离分数集，其中of)是所述新图像和所述排序列表中的第i个训练图像之间 的所述成对基于特征的语义距离分数， 将所述新图像的聚类专用概率性注释向量w(k)计算为
全文摘要
图像使用语义距离学习来自动注释。手动注释训练图像并将其划分成语义聚类。对于这些聚类学习语义距离函数(SDF)。使用对应于每一个聚类的SDF来计算新图像和聚类中的每一个图像之间的语义距离分数。使用对应于每一个聚类的分数来生成根据聚类中的每一个图像离新图像的语义距离来对该训练图像进行排序的排序列表。为每一个聚类估算关联概率，该关联概率指定新图像在语义上与聚类相关联的概率。从对每一个聚类中的图像的手动注释中生成对新图像的聚类专用概率性注释。使用对应于所有聚类的关联概率和聚类专用概率性注释来生成对新图像的最终注释。
文档编号G06F17/30GK102119389SQ200980131706
公开日2011年7月6日 申请日期2009年6月11日 优先权日2008年6月11日
发明者S·李, T·梅, X-S·华, Y·王 申请人:微软公司