Resumen

Este trabajo presenta un novedoso algoritmo de bajo rango basado en afinidades locales para propagar de forma robusta los multilabels desde las imágenes de entrenamiento a las imágenes de prueba. Se construye un grafo sobre las regiones locales segmentadas de la imagen. Las etiquetas de los vértices de los datos de entrenamiento se derivan basándose en el contexto entre las diferentes imágenes de entrenamiento, y las etiquetas derivadas de los vértices se propagan a los vértices no etiquetados a través del grafo. La afinidad de bajo rango multitarea, que busca conjuntamente las afinidades de bajo rango coherentes con la dispersión a partir de múltiples matrices de características, se aplica para calcular los pesos de los bordes entre los vértices del gráfico. El proceso de inferencia de la afinidad multitarea de bajo rango se formula como un problema de minimización de la norma nuclear restringida y de la norma ℓ2,1. La optimización se lleva a cabo de manera eficiente con la ayuda de la norma ℓ2,1 y la norma nuclear restringida. La optimización se lleva a cabo eficientemente con el método del multiplicador de Lagrange aumentado. A partir de las etiquetas locales aprendidas, podemos predecir las etiquetas múltiples de las imágenes de prueba. Los experimentos de anotación de imágenes multietiqueta demuestran los alentadores resultados del marco propuesto.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:afinidad de rango, etiquetas de parche locales aprendidas, norma nuclear restringida, diferentes imágenes de entrenamiento, regiones de imagen locales, anotación de imagen multietiqueta, matrices de características múltiples, problema de minimización de norma, grafo, imágenes
• Keywords:rank affinity, learned local patch labels, constrained nuclear norm, different training images, local image regions, multilabel image annotation, multiple feature matrices, norm minimization problem, graph, images