基于知识本体的图像分类迁移学习算法

黄心依，曹 浩

(安徽科技学院 信息与网络工程学院，安徽 滁州 233100)

图像分类问题是计算机视觉领域长期关注的热点，现如今，商业搜索引擎已经使用元数据和图像标签来进行图像检索。但是，这样产生的数据可能是不准确的，因此有可能导致错误的结果。大多数图像分类方法是基于最优选择下的特征描述符的监督学习方法。目前，通过卷积神经网络可以学习特征描述符的方法，解决了传统上需要针对特定问题选择特定描述符的问题[1]，这种方法对于图像和标签匹配清晰的数据是很有效的，但如果类别标签很抽象，就难以给出满意的结果。

在实际问题中，图像复杂、信息量大、对象类别多，因此，在训练集中采集所有的图像是不可能的。利用类别可以通过某些规则来解释的原则，选取一些判别区域对图像进行识别和分类是很好的思路。这些规则可以通过源数据进行挖掘，也可以以本体的形式提供给系统。因此，它们可以被表示为基于视觉的区域规则集。例如，如果图像中存在电视，人们可以推断这种图片拍摄于室内。抽象的类别问题一般很难在图像中给出准确的区域标签，而使用本体知识可以帮助训练数据集，在训练过程中，本体先验知识在检测到区别区域的基础上进行推理，并将本体规则自下而上地应用于图像，文献[2]就是使用知识本体来提高准确性的，但这种方法一般情况下存在局限性。

本研究中使用的是美……