图像检索的准确度由什么判定?
目录
- 1.图像
- 2.相似度量
- 3.检索性能的评价
1.图像
准确度的考量即相似的度量,而相似性的描述一般用“距离”。当然相似性度量时必须全面考虑多方面的主客观因素,这里只针对常用的方法。
一般来说,图像是一个标准的矩形,有着宽度(width)和高度(height),如果加上色彩RGB维度,立体的理解可看成三维坐标里的“点”,上述的“距离”就更好理解了。
2.相似度量
视觉特征测度空间度量、语义非测度空间度量和相似融合度量。
低层视觉特征测度空间度量: 图像的视觉特征是用客观的数值特征向量表示,相似度计算一般采用测度空间,满足测度空间非负性、对称性、以及三角不等式的准则。常用的相似性测量方法有:
麦考斯基(Minkowsky)距离:D(x,y)=(∑i=1m∣xi−yi∣p)1/pD(x, y)=\left(\sum_{i=1}^{m}\left|x_{i}-y_{i}\right|^{p}\right)^{1 / p}D(x,y)=(∑i=1m∣xi−yi∣p)1/p
欧氏(Euclidean)距离:D(x,y)=∑i=1m(xi−yi)2D(x, y)=\sqrt{\sum_{i=1}^{m}\left(x_{i}-y_{i}\right)^{2}}D(x,y)=∑i=1m(xi−yi)2
曼哈顿(Manhattan 或 city-block)距离:D(x,y)=∑i=1m∣xi−yi∣D(x, y)=\sum_{i=1}^{m}\left|x_{i}-y_{i}\right|D(x,y)=∑i=1m∣xi−yi∣
堪培拉(Canberra)距离:D(x,y)=∑i=1m∣xi−yixi+yi∣D(x, y)=\sum_{i=1}^{m}\left|\frac{x_{i}-y_{i}}{x_{i}+y_{i}}\right|D(x,y)=∑i=1m∣∣∣xi+yixi−yi∣∣∣
切比雪夫(Chebychev)距离:D(x,y)=max1≤i≤m∣xi−yi∣D(x, y)=\max _{1 \leq i \leq m}\left|x_{i}-y_{i}\right|D(x,y)=max1≤i≤m∣xi−yi∣高层语义非测度空间度量: 视觉特征测度空间度量是基于测量空间直接特征描述,而非语义层面理解。语义相似度的计算方法大致可分为三类:
路径长度方法:用关联知识库中连接两个概念的路径长度来推测实例间的语义相似度;
信息论方法:根据概念之间的信息量关系,推导概念之间的相似度;
基于概念特征方法:通过比较概念具有特定属性的属性值,判断概念之间的相似性。相似度融合度量: 将低层视觉特征和高层语义的相似度线性加权。
sim(Q,D)=wt×sim(Qt,Dt)+wv×sim(Qv,Dv)\operatorname{sim}(Q, D)=w_{t} \times \operatorname{sim}\left(Q_{t}, D_{t}\right)+w_{v} \times \operatorname{sim}\left(Q_{v}, D_{v}\right)sim(Q,D)=wt×sim(Qt,Dt)+wv×sim(Qv,Dv)
调节权重wt和wv的值来调整视觉特征相似度和文本语义相似度在图像整体语义相似度量中的重要程度。 图像集合的语义特征越相近,视觉特征相似度的区分能力越显著,图像集合的语义越纷繁多样,文本语义相似度的区分能力越显著。
3.检索性能的评价
图像检索性能的评价准则需要考虑灵活性、有效性和效率三个因素。灵活性评估图像检索算法的适应性;有效性评估检索到的图像和查询图像的合格率;效率用于评估图像检索算法的速度。
通常用查全率(Recall)和查准率(Precision)来衡量检索性能。
查全率: 图像的检索结果中相关图像数与图像库中图像总数的比值。
Re call=aa+c=\frac{a}{a+c}=a+ca
查准率: 相关图像的数量与检索图像总数的比值。
Precision =aa+b=\frac{a}{a+b}=a+ba
a为检索结果中与示例图像相关的图像数量,b为检索结果中与示例图像无关的图像数量,c是没有检索出来的相关图像数量。
图像检索的准确度由什么判定?相关推荐
- 重磅!革命级AI代码补全工具,这款撸码利器让程序员界沸腾了!
我们平时写代码的时候,多少都会依赖编辑器的代码补全功能,敲几个字母就能补全一个词.可是这么多年过去了,语言升级了很多次,而代码提示却没有升级,还是只能限定在一个词,毫无意义地按照字典表顺序排列,这对于 ...
- 和合信诺牵手招行私人银行,构建智能合规知识引擎
近期,和合信诺与招商银行股份有限公司(简称"招行")私人银行展开合作,建设基于自然语言处理.知识图谱.智能应答与搜索引擎等技术的智能合规知识引擎项目,全力支持招商银行私人银行业务应 ...
- (2019,PersEmoN)用于分析表象性格、情绪及其关系的深度网络
PersEmoN: A Deep Network for Joint Analysis of Apparent Personality, Emotion and Their Relationship ...
- 机器学习之(八)统计学基本知识
本文主要介绍:统计学基本概念.数据的收集.数据的描述.回归和分类.多元分析,其中回归和分类.多元分析是学习重点.统计学中的其它概念如:概率及分布.参数估计.假设检验属于经典统计的内容,在此文略去,时间 ...
- 图像检索:几种基于纹理特征的图像检索算法
from:图像检索:几种基于纹理特征的图像检索算法 本文节选自<基于纹理的图像检索算法研究>.描述了几种基于纹理特征的图像检索算法. 第 3 章基于纹理特征的图像检索 3.2 基于灰度共生 ...
- 【数据挖掘】K-NN 分类 ( 简介 | 分类概念 | K-NN 分类实例 | K-NN 分类准确度评估 | K-NN 分类结果评价指标 | 准确率 | 召回率 )
文章目录 I . K-NN 简介 II . K-NN 分类 III . K-NN 分类实例 IV . K-NN 分类 准确性评估方法 V . 保持法 VI . kkk-交叉确认法 VII . K-NN ...
- 金城教授:基于手绘草图的图像检索技术研究
5 月 26 日下午,在第二十八期七牛云架构师实践日,金城教授进行了<基于手绘草图的图像检索技术研究>为题的演讲.本文是对演讲内容的整理. 作者介绍: 金城,复旦大学计算机科学技术学院教授 ...
- 图像检索:再叙ANN Search
每逢碰到这个ANN的简称,小白菜总是想到Artificial Neural Network人工神经网络,不过这里要展开的ANN并不是Artificial Neural Network,而是已被小白菜之 ...
- 局部特征用于图像检索 Aggregating local features for Image Retrieval
Josef和Andrew在2003年的ICCV上发表的论文[10]中,将文档检索的方法借鉴到了视频中的对象检测中.他们首先将图像的特征描述类比成单词,并建立了基于SIFT特征的vusual word ...
最新文章
- 河北省重大系统征集系统案例分析
- [YTU]_1985( C语言实验——保留字母)
- k8s pod镜像拉取策略:Always、IfNotPresent、Never
- python3嵌套列表解析
- 《数据库系统实训》实验报告——存储过程
- 还分不清芯片封装?给你整理好了常用的IC封装,点击收藏!
- 工作170:删除做个判断操作 成功删除 取消取消
- java 注释 过时_Java 注解
- content:\2b 是什么意义
- 《Cocos2D-x权威指南》——3.7 容器类
- C程序设计语言现代方法15:编写大型程序
- 云数据的安全性不容忽视
- Maxim推出上/下变频SiGe混频器MAX2042
- 【canvas】linejoin——miterLimit
- 【python第三方库】playwright简要入门
- python画八卦图的指令_你会画先天八卦图吗?只要知道了每个卦的方位,画起来其实很简单...
- Apache Flink 零基础入门(四):客户端操作的 5 种模式
- 使用laser_filters屏蔽车架
- 【单片机毕业设计】【mcuclub-jj-010】基于单片机的饮水机的设计
- 解析少儿编程中的运用的科技语言
热门文章
- matlab控制系统仿真论文,基于MATLAB的异步电动机直接转矩控制系统仿真毕业论文...
- 9月全球披露区块链应用项目70个,中国市场降温
- JavaScript - 展开运算符
- 【题集·待解决】牛客网·2018年全国多校算法寒假训练营练习比赛(第二场)
- 浙大计算机系可以转专业吗,高校转专业越来越开放 浙大给三次机会
- 如何快速查看将C反汇编的代码
- H3C容灾系统如何做接管演练
- 荣威r5新性能服务器,用实力诠释国潮 荣威RX5 PLUS性能分析抢先看
- 公众号 自动生成海报 python_美翻你的朋友圈,Python生成蒙太奇马赛克图片
- Java学习分享—【面向对象基础】 封装、权限修饰符等...