Resumen

Con los avances en las técnicas electrónicas y de imagen, la producción de imágenes digitales ha aumentado rápidamente, y la extracción y anotación automatizada de la semántica emocional implícita en las imágenes se han convertido en cuestiones que deben abordarse urgentemente. Para simular mejor la subjetividad y la ambigüedad humanas en la comprensión de las imágenes de escenas, el presente estudio propone un método de anotación semántica emocional para imágenes de escenas basado en la teoría de conjuntos difusos. Se calculó un grado de pertenencia difuso para describir el grado emocional de una imagen de escena y se implementó utilizando el algoritmo Adaboost y una red neuronal de retropropagación (BP). El método de anotación automatizada se entrenó y probó utilizando imágenes de escenas de la base de datos SUN. Los resultados de la anotación se compararon con los basados en la anotación artificial. Nuestro método mostró una tasa de precisión de anotación del 91,2 en los valores emocionales básicos y del 82,4 después de añadir los valores emocionales ampliados, lo que corresponde a un aumento del 5,5 y 8,9%, respectivamente, en comparación con los resultados obtenidos al utilizar un único algoritmo de red neuronal BP. Además, la tasa de precisión de la recuperación basada en nuestro método alcanzó aproximadamente el 89%. Este estudio pretende sentar una base sólida para la anotación semántica emocional automatizada de más tipos de imágenes y, por tanto, tiene una importancia práctica.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:imagen de escena, anotación semántica emocional, grado de pertenencia difuso, tasa de precisión de la recuperación, tipo de imagen, valor emocional básico, tasa de precisión de la anotación, algoritmo de red neuronal, métodos de anotación automatizada, teoría de conjuntos difusos
• Keywords:scene image, emotional semantic annotation, fuzzy membership degree, retrieval accuracy rate, type of image, basic emotional value, annotation accuracy rate, neural network algorithm, automated annotation methods, fuzzy set theory