基于多关系社交网络的图像分类算法

基于多关系社交网络的图像分类算法

论文摘要

互联网的快速发展为人们交流沟通提供了很多便利,用户可以方便地上传和浏览网络中的图像。在线社交网络中的图像通常携带了很多社交网络信息,这些社交网络信息在一定程度上反映了图像之间的关联信息。有效地利用这些社交网络信息能够消除图像中存在的一些歧义,对图像分类是非常有价值的。目前学者们提出了不少基于社交网络信息的图像分类算法,然而大多数算法通常无法有效地利用多种不同类型的社交网络信息。针对这些问题,本文提出了一种新型的基于多关系社交网络的图像分类算法MSNet。MSNet首先利用图像的社交网络信息构造出图像之间多种不同的关系网络,然后利用网络表征学习算法学习出图像在社交网络中的表征向量,最后利用图像的视觉特征与网络表征训练分类器进行图像分类。本文的主要工作包含以下三个部分:(1)提出了一种半监督判别性网络表征学习算法(简称DNE)。DNE算法基于SkipGram模型,可以使用部分节点的类标信息进行半监督的网络表征学习。传统的判别性网络表征学习算法在学习网络表征时通常需要训练一个额外的分类器,通过分类器调整带类标节点的表征向量。这一类方法通常不能很好地利用半监督的信息,且存在训练时间过长,需要大量带标注的节点等缺陷。DNE算法与传统的方法不同,DNE在学习网络表征向量的时候,把每一种类标也当成是一个节点,在学习网络节点的表征向量同时也学习出类标的表征向量,通过最优化网络拓扑结构损失函数与半监督损失函数学得最终的表征向量。(2)提出了一种多关系网络表征学习算法(简称MNE)。目前大部分经典的网络表征学习算法针对的均是单个网络,每次只能学习一个网络的表征向量。而多关系网络表示的是网络中节点之间包含了多种不同的关系,因此可以组成多个不同的关系网络,例如人类之间既可以构造一个工作相关的关系网络,也可以构造一个朋友关系网络。传统的网络表征学习算法通常无法直接学习出多关系网络的表征向量,需要分别学习每个网络的表征,然后拼接在一起。本文提出的MNE算法可以学习出节点在多个关系网络的一致性表征向量,MNE算法通过自适应地学习出每一个关系网络的重要性,根据网络的重要性将多个网络融合在一起,最终学习出节点的表征向量。MNE算法采用一种迭代优化的方法进行问题求解,具有较快的运行速度。(3)提出了一种基于多关系社交网络的图像分类算法MSNet,MSNet使用了上述两种表征学习算法(DNE和MNE)提升图像分类的性能。目前的图像分类算法在利用社交网络信息时通常是简单地把图像携带的社交网络信息当成一个集合,无法充分挖掘图像在社交网络信息上的关联且不能有效地利用多种类型的信息。MSNet采用了一种不同的方法,首先构造出图像之间的多种关系网络,然后利用本文提出的两种网络表征学习算法(DNE和MNE)学习出图像在关系网络中的表征向量,最后同时利用图像的视觉特征与图像的网络表征训练神经网络模型进行图像分类。为了更好地对图像进行分类,在MSNet中,我们提出了五个神经网络模型并对比了不同模型的分类性能。其中有三个模型采用了一种新型的神经网络结构,胶囊网络(Capsule Network)作为分类器,我们对胶囊网络的结构进行了改进,使其适用于MSNet框架。实验表明MSNet能够有效地利用社交网络信息提升图像分类算法性能。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  •   1.1 研究背景和意义
  •   1.2 国内外研究现状
  •     1.2.1 利用社交网络信息的图像分析算法
  •     1.2.2 网络表征学习研究现状
  •   1.3 本文主要工作与创新点
  •   1.4 本文的组织结构
  • 第2章 基本概念及相关知识
  •   2.1 网络表征学习算法
  •     2.1.1 网络表征学习的概念定义
  •     2.1.2 DeepWalk
  •     2.1.3 LINE
  •     2.1.4 MVE
  •   2.2 基于社交网络信息的图像分类算法
  •     2.2.1 CNN-Neighbor
  •     2.2.2 KCCA
  •   2.3 深度神经网络算法
  • 第3章 多关系网络表征学习
  •   3.1 半监督判别性网络表征学习算法(DNE)
  •     3.1.1 类标传播算法
  •     3.1.2 DNE算法
  •     3.1.3 DNE优化
  •     3.1.4 DNE算法用于多关系网络
  •   3.2 多关系网络表征学习算法(MNE)
  •     3.2.1 MNE算法
  •     3.2.2 增广拉格朗日乘子法(ALM)
  •     3.2.3 MNE算法的优化
  •   3.3 实验结果
  •     3.3.1 实验数据
  •     3.3.2 评价指标
  •     3.3.3 对比算法
  •     3.3.4 参数设置
  •     3.3.5 MNE、DNE与其他网络表征学习算法性能对比.
  •     3.3.6 MNE、DNE参数的影响
  •   3.4 本章小结
  • 第4章 基于多关系社交网络的图像分类算法
  •   4.1 基于多关系社交网络的图像分类算法(MSNet)
  •     4.1.1 关系网络的构造
  •     4.1.2 MSNet表征学习
  •     4.1.3 MSNet分类器
  •   4.2 图像分类实验结果与分析
  •     4.2.1 实验数据集
  •     4.2.2 评价指标
  •     4.2.3 对比算法
  •     4.2.4 实验细节
  •     4.2.5 表征的可视化结果
  •     4.2.6 对比MSNet的五种神经网络模型
  •     4.2.7 对比MSNet与其他图像分类算法
  •   4.3 本章小结
  • 第5章 总结
  • 参考文献
  • 致谢
  • 攻读硕士学位期间的研究成果
  • 文章来源

    类型: 硕士论文

    作者: 陈炳坤

    导师: 周虹

    关键词: 多关系网络,网络表征学习,图像分类,胶囊网络,社交网络

    来源: 深圳大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 数学,计算机软件及计算机应用

    单位: 深圳大学

    分类号: TP391.41;O157.5

    总页数: 89

    文件大小: 5153K

    下载量: 41

    相关论文文献

    • [1].一种适用于社交网络分析的分层社区检测算法[J]. 信息与电脑(理论版) 2019(24)
    • [2].图片[J]. 应用写作 2020(01)
    • [3].社交网络中的“自恋”和“表演”[J]. 传播力研究 2019(35)
    • [4].移动社交网络营销效果的影响因素实证研究[J]. 市场论坛 2019(11)
    • [5].基于社交网络的分布式机制设计[J]. 南京大学学报(自然科学) 2020(01)
    • [6].基于分层社区的社交网络异常事件检测模型研究[J]. 电脑知识与技术 2020(04)
    • [7].学术社交网络信息质量的治理和提升[J]. 图书情报工作 2019(23)
    • [8].在线社交网络控制实验的现状与展望[J]. 浙江大学学报(理学版) 2020(01)
    • [9].青少年自恋人格与问题性社交网络使用的关系:链式中介作用分析[J]. 中国特殊教育 2020(01)
    • [10].道德推脱与身份转化:社交网络欺凌中的旁观者效应[J]. 湖南大学学报(社会科学版) 2020(02)
    • [11].国内外学术社交网络的特征及案例分析[J]. 现代情报 2020(04)
    • [12].社交网络平台的盈利模式探析[J]. 中国集体经济 2020(10)
    • [13].社交网络用户发布模式和兴趣预测研究[J]. 计算机工程与应用 2020(09)
    • [14].学术社交网络用户使用动机与功能采纳的特征构成及关联分析[J]. 图书馆学研究 2020(06)
    • [15].超图结构下的在线社交网络中隐性影响力评估[J]. 系统工程学报 2020(01)
    • [16].社交网络文化语境下竖屏剧的创作研究[J]. 声屏世界 2020(04)
    • [17].《社交网络》:传记电影的虚构与拓写[J]. 电影文学 2020(09)
    • [18].社交网络平台对农村留守儿童社会化的影响[J]. 知识经济 2020(06)
    • [19].论社交型网络犯罪的防控体系构建[J]. 法制与社会 2020(13)
    • [20].科研机构用户利用学术社交网络的学科差异研究[J]. 情报科学 2020(06)
    • [21].图片介入社交网络带来的界面设计与功能[J]. 新闻文化建设 2020(03)
    • [22].基于异构社交网络信息和内容信息的事件推荐[J]. 软件学报 2020(04)
    • [23].韩国“N号房”事件对我国“社交网络儿童性剥削”问题的警示[J]. 青少年犯罪问题 2020(03)
    • [24].社交网络视角下高校图书馆知识服务创新探析[J]. 传媒论坛 2020(15)
    • [25].科技型中小企业社交网络招聘模式问题及对策研究[J]. 河北企业 2020(06)
    • [26].社交网络使用会影响用户心理健康么?——一项元分析研究[J]. 信息资源管理学报 2020(04)
    • [27].父母监督儿童使用社交网络的调查研究[J]. 教育文化论坛 2020(04)
    • [28].浅析“社交网络过度使用”术语使用混乱现象[J]. 现代交际 2020(12)
    • [29].在线社交网络的社区发现研究进展[J]. 图书情报工作 2020(09)
    • [30].在线社交网络信息流行度预测综述[J]. 计算机应用研究 2020(S1)

    标签:;  ;  ;  ;  ;  

    基于多关系社交网络的图像分类算法
    下载Doc文档

    猜你喜欢