We introduce in this paper a novel

We introduce in this paper a novel image annotation approach based on maximum margin classification and a new class of kernels. The method goes beyond the naive use of existing kernels and their restricted combinations in order to design “model-free” transductive kernels applicable to interconnected image databases. In a first contribution of the method, we learn both a decision criterion and a kernel map that guarantee linear separability in a high dimensional space and good generalization performance. In the second contribution of this work, we extend this class of kernels in order to include label dependency statistics that model contextual relationships between concepts into images. Experiments conducted on MSRC and Corel5k databases show that our method achieves at least comparable results with related state of the art.

ผลลัพธ์ (ไทย) 1:

เราแนะนำในเอกสารนี้เป็นวิธีอธิบายภาพนวนิยายตามประเภทหลักประกันสูงสุดและชั้นใหม่ของเมล็ด วิธีการไปใช้หน่อมแน้มของเมล็ดที่มีอยู่และชุดของพวกเขาถูกจำกัดเพื่อออกแบบ transductive เมล็ด "รุ่นฟรี" ที่มีความเกี่ยวข้องกับรูปภาพที่เชื่อมต่อฐานข้อมูล ในส่วนแรกของวิธีการ เราเรียนรู้เงื่อนไขการตัดสินใจและแผนที่เคอร์เนลที่รับประกัน separability เชิงเส้นมิติพื้นที่สูงและประสิทธิภาพการทำงานของลักษณะที่ดี ในส่วนที่สองของงานนี้ เราขยายชั้นของเมล็ดเพื่อรวมสถิติการอ้างอิงป้ายชื่อความสัมพันธ์ของบริบทที่รุ่นระหว่างแนวคิดเป็นภาพ การทดลองที่ดำเนินการบนฐานข้อมูล MSRC และ Corel5k แสดงว่า วิธีการของเราให้ผลเทียบเคียงน้อยที่เกี่ยวข้องทัน

ผลลัพธ์ (ไทย) 2:

เราแนะนำในบทความนี้เป็นภาพวิธีการบันทึกย่อนวนิยายอยู่บนพื้นฐานของการจำแนกอัตรากำไรสูงสุดและคลาสใหม่ของเมล็ด วิธีการที่นอกเหนือไปจากการใช้งานที่ไร้เดียงสาของเมล็ดที่มีอยู่และการรวมกันของพวกเขาถูก จำกัด ในการออกแบบแบบ "ฟรี" เมล็ด transductive บังคับไปยังฐานข้อมูลภาพที่เชื่อมต่อกัน ในผลงานแรกของวิธีการที่เราได้เรียนรู้ทั้งเกณฑ์การตัดสินใจและแผนที่เคอร์เนลที่รับประกันแยกเชิงเส้นในช่องว่างมิติสูงและประสิทธิภาพการทำงานที่ดีทั่วไป ในผลงานที่สองของการทำงานนี้เราขยายชั้นเรียนของเมล็ดนี้เพื่อที่จะรวมสถิติการพึ่งพาฉลากว่ามีความสัมพันธ์ระหว่างบริบทรูปแบบแนวความคิดเป็นภาพ การทดลองดำเนินการในฐานข้อมูล MSRC และ Corel5k แสดงให้เห็นว่าวิธีการของเราบรรลุผลอย่างน้อยเทียบเท่ากับรัฐที่เกี่ยวข้องของศิลปะ

ผลลัพธ์ (ไทย) 3:

เราแนะนำในกระดาษนี้เป็นนวนิยายภาพหมายเหตุวิธีการตามประเภทและอัตราสูงสุดระดับใหม่ของเมล็ด วิธีการที่นอกเหนือไปจากการใช้เมล็ดและไร้เดียงสาของที่มีอยู่จำกัด รวมกัน เพื่อออกแบบ " รุ่นฟรี " transductive เมล็ดสามารถใช้ได้กับฐานข้อมูลที่เชื่อมโยงภาพ ในส่วนแรกของวิธีที่เราเรียนรู้ทั้งการตัดสินใจเกณฑ์กับเคอร์เนลแผนที่เชิงเส้นในช่องว่างมิติรับประกันแยกได้สูงและประสิทธิภาพที่ดีทั่วไป . ในส่วนที่สองของงานนี้ เราได้ขยายชั้นเรียนของเมล็ดเพื่อใส่ป้ายอ้างอิงสถิติแบบจำลองแบบความสัมพันธ์ระหว่างแนวคิดเป็นภาพ การทดลองใน msrc และฐานข้อมูล corel5k แสดงให้เห็นว่าวิธีการของเราบรรลุอย่างน้อยเทียบเท่าผลที่เกี่ยวข้องกับสถานะของศิลปะ