·642. 智能系统学报 第10卷 2×precision×recall 表6 Corel5k上图像自动标注模型的性能比较 F-measure (11) recall precision Table 6 Performance comparison of automatic image 式中：a表示正确标注为某类的图像数量，b表示 annotation models on Corel 5k 所有自动标注为该类的图像数量，c表示测试集 49个性能 全部260个 召回率>0 中真实标注包含该类的所有图像数量。 最佳的词集 词集上的 模型 的关键词 表4和表5给出本文标注方法的准确率、召 上的结果 结果 个数 MP MR 回率及F-measure,从表4中看出，该方法可以高 MP MR TM 49 0.200.34 0.060.04 效且准确地标注测试图像集。从表中看出，类别 JEC 139 0.27 0.32 “建筑”在Corel5k和“景色”在IAPR TC-I2数据 PLSA-WORDS 105 0.56 0.71 0.14 0.20 集中标注准确率尤为突出。 表4 Corel5k中标注的评价标准 HGDM 137 0.780.83 0.280.32 Table 4 Evaluation measure of annotation on Corel 5k Our approach 138 0.810.85 0.300.35 类别 precision recall F-measure 3.4.2 IAPR TC-12上的实验结果 非洲 0.81 0.77 0.85 表7给出了IAPR TC-12数据集上实验结果，测 沙滩 0.87 0.80 0.90 试在所有291个关键词下，测试包括召回率大于0 建筑 0.93 0.89 0.93 的关键词个数、平均精度、平均召回率。对比其他标 山 0.87 0.86 0.89 注模型，表现出更好的标注性能。 大象 0.92 0.88 0.95 表7 IAPR TC-12上图像自动标注模型的性能比较 平均值 0.88 0.84 0.90 Table 7 Performance comparison of automatic image 表5 IAPR TC-12中标注的评价标准 annotation models on IAPR TC-12 Table 5 Evaluation measure of annotation on IAPR TC-12 召回率>0的 类别 模型 MP MR precision recall F-measure 关键词个数 运动 0.79 0.75 0.82 JEC 196 0.25 0.16 人 0.87 0.89 0.94 PLSA-WORDS 177 0.180.12 风景 0.91 0.90 0.88 HGDM 194 0.290.18 动物 0.88 0.81 0.87 Our approach 199 0.320.21 平均值 0.86 0.84 0.88 3.4对比实验 为了验证该模型的高效性，实验在2个图像集 3.4.1 Corel5k上的实验结果 下，选择不同图像数目进行测试。表8中，基于模糊 为了更有力证明该方法的准确性和可靠性， 关联规则的标注方法的平均精确度比非模糊关联规 实验做了与其他相关标注方法的对比，对比方法 则更高，另外，本文提的方法对比CFAR,实验得到 有翻译模型[)、JEC2】、PLSA-WORDS!6、HG- 的规则数目减少，标注精确度增加，证明决策树对于 DM]和CFAR[2,PLSA-WORDS是基于PLSA 删减冗余关联规则有显著的成效。 的标注模型，HGDM是一种基于混合模型的标注 3.5在Corel5k中的实验结果 方法，CFAR提出一种模糊关联规则语义标注 在Corel5k数据集下，从5000幅图像中随 模型。 机选择60%图像作为训练集，运用本文方法训练 实验在Corel5k和IAPR TC-I22个数据集 获得标注模型，即决策树删减后的模糊关联规则 下进行，表6为Corel5k数据集下所得标注结果， 库，再对余下40%的图像进行标注。 在性能最佳的49个关键词集合和训练集合中所 表9给出随机抽取的一些图像，实验选取标 有260个关键词集合中评价平均精度(MP)和平 注精确度最高的5个关键字作为最后的标注结 均召回率(MR),从表中数据得出，本文提出的方 果，表中给出在Corel5k图像集下与人工标注的 法在性能上要优于其他多数标注模型，体现了算 比较，实验结果充分证明了此方法的准确性和可 法的准确性和稳定性。 靠性。Ｆ⁃ｍｅａｓｕｒｅ ＝ ２ × ｐｒｅｃｉｓｉｏｎ × ｒｅｃａｌｌ ｒｅｃａｌｌ ＋ ｐｒｅｃｉｓｉｏｎ （１１） 式中：ａ 表示正确标注为某类的图像数量，ｂ 表示 所有自动标注为该类的图像数量，ｃ 表示测试集 中真实标注包含该类的所有图像数量。 表 ４ 和表 ５ 给出本文标注方法的准确率、召 回率及 Ｆ⁃ｍｅａｓｕｒｅ，从表 ４ 中看出，该方法可以高 效且准确地标注测试图像集。 从表中看出，类别 “建筑”在 Ｃｏｒｅｌ ５ｋ 和“景色”在 ＩＡＰＲ ＴＣ⁃１２ 数据 集中标注准确率尤为突出。 表 ４ Ｃｏｒｅｌ ５ｋ 中标注的评价标准 Ｔａｂｌｅ ４ Ｅｖａｌｕａｔｉｏｎ ｍｅａｓｕｒｅ ｏｆ ａｎｎｏｔａｔｉｏｎ ｏｎ Ｃｏｒｅｌ ５ｋ 类别 ｐｒｅｃｉｓｉｏｎ ｒｅｃａｌｌ Ｆ⁃ｍｅａｓｕｒｅ 非洲 ０．８１ ０．７７ ０．８５ 沙滩 ０．８７ ０．８０ ０．９０ 建筑 ０．９３ ０．８９ ０．９３ 山 ０．８７ ０．８６ ０．８９ 大象 ０．９２ ０．８８ ０．９５ 平均值 ０．８８ ０．８４ ０．９０ 表 ５ ＩＡＰＲ ＴＣ⁃１２ 中标注的评价标准 Ｔａｂｌｅ ５ Ｅｖａｌｕａｔｉｏｎ ｍｅａｓｕｒｅ ｏｆ ａｎｎｏｔａｔｉｏｎ ｏｎ ＩＡＰＲ ＴＣ⁃１２ 类别 ｐｒｅｃｉｓｉｏｎ ｒｅｃａｌｌ Ｆ⁃ｍｅａｓｕｒｅ 运动 ０．７９ ０．７５ ０．８２ 人 ０．８７ ０．８９ ０．９４ 风景 ０．９１ ０．９０ ０．８８ 动物 ０．８８ ０．８１ ０．８７ 平均值 ０．８６ ０．８４ ０．８８ ３．４ 对比实验 ３．４．１ Ｃｏｒｅｌ ５ｋ 上的实验结果 为了更有力证明该方法的准确性和可靠性， 实验做了与其他相关标注方法的对比，对比方法 有 翻 译 模 型［ ９］ 、 ＪＥＣ ［ １２］ 、 ＰＬＳＡ⁃ＷＯＲＤＳ ［ ６］ 、 ＨＧ⁃ ＤＭ ［ ８］ 和 ＣＦＡＲ ［ ２４］ ， ＰＬＳＡ⁃ＷＯＲＤＳ 是 基 于 ＰＬＳＡ 的标注模型，ＨＧＤＭ 是一种基于混合模型的标注 方法，ＣＦＡＲ 提 出 一 种 模 糊 关 联 规 则 语 义 标 注 模型。 实验在 Ｃｏｒｅｌ ５ｋ 和 ＩＡＰＲ ＴＣ⁃１２ ２ 个数据集 下进行，表 ６ 为 Ｃｏｒｅｌ ５ｋ 数据集下所得标注结果， 在性能最佳的 ４９ 个关键词集合和训练集合中所 有 ２６０ 个关键词集合中评价平均精度（ ＭＰ） 和平 均召回率（ ＭＲ） ，从表中数据得出，本文提出的方 法在性能上要优于其他多数标注模型，体现了算 法的准确性和稳定性。 表 ６ Ｃｏｒｅｌ ５ｋ 上图像自动标注模型的性能比较 Ｔａｂｌｅ ６ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ａｕｔｏｍａｔｉｃ ｉｍａｇｅ ａｎｎｏｔａｔｉｏｎ ｍｏｄｅｌｓ ｏｎ Ｃｏｒｅｌ ５ｋ 模型 召回率＞０ 的关键词 个数 ４９ 个性能 最佳的词集 上的结果 ＭＰ ＭＲ 全部 ２６０ 个 词集上的 结果 ＭＰ ＭＲ ＴＭ ４９ ０．２０ ０．３４ ０．０６ ０．０４ ＪＥＣ １３９ － － ０．２７ ０．３２ ＰＬＳＡ⁃ＷＯＲＤＳ １０５ ０．５６ ０．７１ ０．１４ ０．２０ ＨＧＤＭ １３７ ０．７８ ０．８３ ０．２８ ０．３２ Ｏｕｒ ａｐｐｒｏａｃｈ １３８ ０．８１ ０．８５ ０．３０ ０．３５ ３．４．２ ＩＡＰＲ ＴＣ⁃１２ 上的实验结果 表 ７ 给出了 ＩＡＰＲ ＴＣ⁃１２ 数据集上实验结果，测 试在所有 ２９１ 个关键词下，测试包括召回率大于 ０ 的关键词个数、平均精度、平均召回率。 对比其他标 注模型，表现出更好的标注性能。 表 ７ ＩＡＰＲ ＴＣ⁃１２ 上图像自动标注模型的性能比较 Ｔａｂｌｅ ７ Ｐｅｒｆｏｒｍａｎｃｅ ｃｏｍｐａｒｉｓｏｎ ｏｆ ａｕｔｏｍａｔｉｃ ｉｍａｇｅ ａｎｎｏｔａｔｉｏｎ ｍｏｄｅｌｓ ｏｎ ＩＡＰＲ ＴＣ⁃１２ 模型 召回率＞０ 的 关键词个数 ＭＰ ＭＲ ＪＥＣ １９６ ０．２５ ０．１６ ＰＬＳＡ⁃ＷＯＲＤＳ １７７ ０．１８ ０．１２ ＨＧＤＭ １９４ ０．２９ ０．１８ Ｏｕｒ ａｐｐｒｏａｃｈ １９９ ０．３２ ０．２１ 为了验证该模型的高效性，实验在 ２ 个图像集 下，选择不同图像数目进行测试。 表 ８ 中，基于模糊 关联规则的标注方法的平均精确度比非模糊关联规 则更高，另外，本文提的方法对比 ＣＦＡＲ，实验得到 的规则数目减少，标注精确度增加，证明决策树对于 删减冗余关联规则有显著的成效。 ３．５ 在 Ｃｏｒｅｌ ５ｋ 中的实验结果 在 Ｃｏｒｅｌ ５ｋ 数据集下，从 ５ ０００ 幅图像中随 机选择 ６０％图像作为训练集，运用本文方法训练 获得标注模型，即决策树删减后的模糊关联规则 库，再对余下 ４０％的图像进行标注。 表 ９ 给出随机抽取的一些图像，实验选取标 注精确度最高的 ５ 个关键字作为最后的标注结 果，表中给出在 Ｃｏｒｅｌ ５ｋ 图像集下与人工标注的 比较，实验结果充分证明了此方法的准确性和可 靠性。 ·６４２· 智 能 系 统 学 报 第 １０ 卷