考虑语义容忍关系，用给定词汇的关联值表示图像的意义

摘要

提出了一种基于关联值和词汇的图像语义表示方法。为此，生成了反映已定义词汇间容忍程度的语义容忍关系模型(semantic tolerance relation model, STRM)，关联值的生成涉及语义关联(semantic relevance, SR)和视觉相似度(visual similarity, VS)两个因素。此外，还介绍了利用基于像素的双向联想记忆(BAMs)与易于实现的STRM结合计算联想值的算法。基于个体的多词汇检索实验结果表明，本文提出的方法在寻找期望图像方面是有效的，并且由于将SR和VS结合在图像的意义表示上而提高了检索的准确性。

1.介绍

随着数字图像、网络、数据存储等技术的进步，越来越多的人通过在网络上分享图像、视频等形式进行交流和表达。然而，图像/视频所承载的语义信息很难被充分利用，因为在许多领域中，图像的概念本质是不精确的，在人类感知的层面上，寻找相似图像/视频的解释也是模糊的和主观的。因此，有一些技术侧重于通过大众分类法(Flickr, del.icio.us)注释图像。但大众分类法引起的刻意的特殊注释有降低系统在信息检索效用方面的性能的风险。Xie等[1，通过研究词汇和输入检测器的不同选择的影响，可以得出这样一个结论:过多的概念可能会损害性能。

因此，基于图像所承载的语义信息对图像/视频进行自动标注或表示的研究已成为众多研究的目标。为了避免文本注释在图像上的开销和局限性，利用图像的感知属性和其他自动提取属性进行高效的数据库访问备受关注。然而，目前大多数检索系统仅依赖于颜色和纹理等低级图像特征，而人类用户则根据概念进行思考[2- - - - - -5］.通常，相关性反馈是消除用户和系统之间语义差异的唯一方法。

近年来，在人机抽象层次不同的情况下，人们对减少用户与检索系统之间的语义差距进行了大量的研究。在Rogowitz [6]，分析人类观察者如何判断图像相似度，得出人类观察者判断图像相似度是非常系统的，遵循语义、颜色和结构特征。在此结论之后，Mojsilović等[7]，提出了基于5种图像相似度准则的颜色特征提取和特征解释方法。然而，研究表明，颜色不能作为捕获图像语义的单一衡量标准。在Vogel和Schiele [8，提出了“词汇支持图像检索”的概念，该概念允许系统将用户查询转换为内部查询。然而，用户查询“查找含有10-30%天空的图像”并不是表示图像语义的自然方式。Mojsilovic等人[9，提出了一种语义友好的查询语言，用于搜索不同的图像集合。然而，正如Vogel和Schiele [8， (nature <10 and contrast >800)这样的查询语言不容易用于对类别建模。在[10，该系统的目的是将图像放入一个类别，以帮助用户更有效地导航检索结果。然而，类别的定义是语义、句法和统计方法的混合，这似乎不是真正的语义类别。在Dai and Cai [11]的图像检索系统方案，该方案遵循Rogowitz [6),提出了。然而，图像的语义分类是手工进行的。在[12- - - - - -14]，提出了基于概率方法或子空间发现的基于语义的图像自动分类方法。然而，只处理二元类(室内-室外、人工-自然、日落-非日落)。Shen等人[15，提出了一个处理重叠类分类问题的框架，并将其应用于多场景分类问题。但是，对其他概念的分类并没有进行扩展。在戴16]，提出了一种基于语义容忍关系的图像表示和分类方法，并通过基于贝叶斯分类器将图像划分为7个类别来表示每幅图像关于自然域和人工域的语义。显然，用7个类来体现图像的整个语义是不够的。在Carneiro等人[17]，在最小错误检索概率框架下学习350个视觉概念，并在每张图像上标注概率最大的概念。然而，该方法的检索精度仅为30%左右，并不能真正解决人机语义差距的问题，因为它实际上只是基于低级视觉特征的分类。另一方面，对于…17]和[16]，对于生成新概念概率模型的训练图像集的选择和新概念概率模型的再生在实践中都不是那么容易，如果需要添加的话。在Xie [1，统计检验结果表明，当定义词汇数在(40,240)范围内时，概念检测性能优于基线。然而，这些定义词汇只是视觉词汇，在多概念学习中还没有考虑高阶概念依赖。在李和王[18]，利用二维mhmm随机过程实现图像自动语言标引系统。对于未来的工作，本文提出除了给图像赋词外，还可以同时给词赋权，以显示所相信的描述适宜程度。然而，如何生成权值仍然是一个悬而未决的问题。

由于大多数图像/视频都有多种语义解释，人们对相似图像的判断标准不同，因此本文提出了一种基于联想值和词汇的图像语义表示方法。该方法通过定义了不同领域的词汇的关联值来描述图像或关键帧(随后调用图像)的含义，通过语义容忍关系模型(semantic tolerance relation model, STRM)来体现这些词汇之间的容忍程度。此外，根据Rogowitz所描述的实验结果[6]，人们通过语义关联(SR)来判断图像相似度，在视觉相似度(VS)之后，在生成上述关联值时将语义关联因素与视觉相似度因素结合起来。此外，还介绍了如何利用双向联想记忆(BAMs)计算已定义词汇的联想值。在生成关联值的基础上，提出了一种基于多词库查询的图像检索方案，不仅适用于单个域，也适用于跨域。分析了SR和VS等因素对图像检索精度的影响，探讨了该方法在寻找个体期望图像方面的作用。结果表明，将SR与VS结合生成关联值提高了图像检索的准确性。此外，在40个一般定义词汇表中，5个被试平均要求1.4个词汇表和2.2次查询，82%的目标图像被多词汇查询检索。

2.语义容忍关系模型

“一张照片胜过千言万语。”事实上，一个图像的意义是多样的和模糊的。为了系统地描述图像的一般含义，我们提出了一个反映词汇间容忍程度的语义容忍关系模型(semantic tolerance relation model, STRM)。STRM的形式如图所示1．

图像的含义是由多个领域来描述的。然而，定义描述图像语义的核心域似乎更好。鉴于描述新闻应该包含5W1H的组成部分(who, where, when, what, way, how)，我们将以下域定义为核心域。它们是自然与人造领域，代表了关于“什么”的从自然到人造的概念;人与非人领域，代表了关于“谁”的从肖像、小脸到无脸的概念;时域表示关于“何时”的时间信息;空间域表示关于“where”的位置信息;行为域表示关于“方式”的行为信息;印象域反映了关于“如何”的印象信息。当然，还可以添加其他新域作为补充域。

对于某个领域在美国，概念是用一些词汇来描述的。词典关于表示为．词汇的数量表示为．与领域类似，我们为某个领域定义通用词汇表。考虑到在一个非常大的文本语料库中具有较高的观察频率计数的词被视为一般词汇。例如，这些词汇(景观、树、花、海滩、湖、山、日落、建筑、建筑部件、服装、家具、厨房用品、工具、蔬菜、车辆)可以被选择为关于自然与人工领域的通用词汇。选择3个词汇(人像、脸、非脸)作为人类与非人类领域的核心词汇。然而，很明显，一些定义的词汇的含义是相互容忍的，如家具和厨房用品。我们将两个词在同一领域内意义的重叠定义为intraterance，记为，两个词在不同领域的重叠为相互容忍，记为（）.的速度重叠的定义为来,表示．假设是由共现计数表示的吗的与在非常大的文本语料库中，虽然它是按照计数给出次数的与因为2克出现在一个包含超过一万亿token的大型语料库中。特别是，我们可以使用谷歌Inc.提供的文本语料库数据[19]以获得这样的重复计数。让给出所有已定义词汇的所有共现计数的最大值，是由(1)，使公差度值在(1,0)范围内:

因此，词汇的STRM用矩阵表示．当， 表示了词汇表在领域上的内部关系模型k。否则,表示关于域的词汇表之间的容忍关系模型k和l一行的条目我、列j矩阵中是词汇的容忍度值来：

添加一个新词汇t在域k，必须先登记。然而，矩阵中条目的重新对齐是通过确定的值来完成的,．这意味着在重新排列过程中不需要重新计算所有旧的条目，只需要重新计算的新条目tth行和t域的第Th列k，即新词汇的容忍度值t对于旧的词汇，则需要加以确定。相应地，矩阵中各元素的重新排列添加新的词汇表不会导致昂贵的计算。

3.代表图像的含义

３．１．与给定词汇的关联值

由于大多数图像的语义解释是多重的、模糊的，人类对意义相似的图像的判断标准是多重的，所以每一幅图像的意义都用一个向量表示的关联值与给定的词汇表，而，它是与域相关的词汇表关联值的子向量k．表示给定的有关领域的词汇量k,表示图像的关联度n的词典．

基于[6，我们发现，人们根据语义相关度(SR)判断图像相似度，其次是视觉相似度(VS)。特别是，除了语义或视觉上相似的图像外，还有一些图像在语义上是可以容忍的，但在视觉上却不相似，比如building和building parts。此外，也有形状相似但语义不相容的图像，如瓜和球。因此，图像与词汇的关联值受到两个事实的影响:SR和vsn对词汇表示为， VS的值记为．体现了一个意象具有意义的程度,反映图像看起来像的程度．因此，价值是由和，表示为 在哪里SR在发电中的权重是多少,为VS的权重。

因此，如果有的话K域,给出了词汇表，用向量表示每幅图像的意义

３．２．计算关联值

要在这个计算建模框架中完全指定关联值(3.)时，有必要推导出的值的价值．为此，需要从图像中提取足够的特征，并使用字典检测器是需要设计的。事实上，基于不同特征的不同探测器在平均infAP(推断平均精度)方面表现相似[1］.因此，考虑到易于实现，基于像素的双向联想记忆(BAMs) [20.的值被用作词汇表的检测器和然后分析了这些生成值在表示图像意义方面的性能。

BAM是一个两层网络结构，它将特定的输入表示映射到特定的输出表示，但两层之间的连接是双向的。这是一个将两种模式“关联”起来的系统这样，当遇到一个，另一个可以回忆起来。通常情况下,这些向量的长度是米和n,分别。本例中使用的BAM结构如图所示2．

该模式为向量，其项对应于学习图像的像素值;该模式关于词汇表代码的向量是否表示学习的模式．一般来说，对于一个域k,的词典编码是．模式和模式通过建立连接权矩阵将关联的模式对组合起来。计算同时存储多个关联模式对的权值矩阵

与不断更新的输出X层和Y图层为输入图像n时，网络最终收敛到一个能量局部最小值。然后，输出的单位在层表示输入图像的回忆程度n学习到的图像模式。设输出单位为Y层，即回忆值，表示为

这里，它假设输入图像n完全属于，（是回忆值的阈值)。因此,在本例中设置为1。然而，很明显将不为0，如果是相关的．的价值受公差关系的影响吗与．因此，价值是根据下列规则确定的()：

另一方面，对于基于像素的BAM，值特别是反映了输入图像的视觉相似度n到学到的模式图像我，代表词汇的概念，是由

作为一个整体，2)生成具有给定词汇表的图像关联值的转换为

图中显示了一些学习到的模式图像，这些图像代表了给定词汇在自然与人为领域中的意义3.．选择这类图像的原则是，代表一个词典的图像的视觉特征完美地体现了该词典的总体特征。对于某些概念，一个词汇库可以学习到多个视觉上明显不同的模式图像。例如，学习词汇树的四个模式图像。它们的分辨率设置为．因此，BAM回忆模式对的相对能力为双(20.］.另一方面，根据[1为了完美地检测图像所承载的概念，需要定义约40至240个词汇，而构建的基于像素的BAM容量足以计算回忆值，用于生成与给定词汇表的关联值(9)，如果一个域的给定词汇表的数量在(40,240)范围内。

３．３．图像检索方案

基于给定词汇的图像关联值向量的图像检索方案如下:

3.3.1。单域检索

如果其他领域的词汇与当前领域的词汇有很强的关联，那么考虑这些词汇之间的关联将提高检索性能。因此，基于给定词汇表的检索方案表示为 在哪里叫做容差值，即两个词汇间容差程度的阈值我和j关于域k和l．或被称为检索值的阈值提取图像属于词典我关于k,或词典j关于l分别。

此外，如果一个查询不能由给定的词汇表显式地描述，用户可以将查询指定为多个相关的词汇表。让查询被表示为：

3.3.2。检索关于实现

显然，跨领域的图像检索是将提取的不同词汇的图像与不同领域的图像进行交集。因此，提出了带有词汇意义的图像检索方案我关于域k和词典j关于域是由 通过对带人脸的家具进行查询，检索到的一些图像如图所示4．

3．4．实现

为了实现，定义了三个领域和相应的40个通用词汇表。表中列出了它们1．这些词汇是根据观察这些词汇在大型文本语料库中出现的频率计数来选择的[19高)。对于每个域，基于像素的BAM分别用其给定的词汇表构造为Y图案和对应的代表图像为X双模式。使用(9)，计算这些词汇表的关联值并将其存储为索引以供检索。用户选择一个或多个表示他们想要表达的语义的词汇来检索他们期望的图像或视频关键帧。

数字5系统界面截图。在顶部，提供了下拉菜单，用户可以选择包含图像含义的相关域和词典。滑动用于输入给定词汇表的关联值的阈值以进行检索。如果检索到的图像数量太少或太多，用户可以随意设置滑动位置，并将滑动位置向左或向右调整，因此操作简单。中间的空格显示输入的查询，可以通过添加、删除和重置按钮进行编辑。检索到的图像或关键帧的缩略图列在底部，用户可以很容易地找到他们想要的图像或视频。

4.实验和分析

随机从个人相册和Sozaijiten Image Book 1中选择400张图片[21]及从Video Traxx 1中提取的1220个关键帧[22为系统性能测试做准备。但是，与动作相关的图像(如运动、足球和露营)没有包括在内，因为与这些词汇相关的动作域没有为实现定义。

4．1.Per-Lexicon检索精度

每个词汇表的检索精度定义为以下表达式(#代表“number of”) 在哪里＃Top ranking是指根据图像与某一词汇的关联值得到的排名靠前的图像数量。# true positive表示在排名靠前的图片中，对相关词汇为正的图片数量。

数据6(一)，6 (b),6 (c)显示了不同的SR和VS权重对词汇建筑、家具和景观准确性的影响，而排名靠前的图像数量在(12,120)的范围内变化。

的情况下表明在生成定义词汇的图像联想值时，仅考虑VS因素;的情况下表明仅考虑了SR因素;的情况下表示同时使用SR和VS来计算关联值。从数据6(一)，6 (b),6 (c)，可以观察到，尽管不同的词汇的情况下，其准确性是不同的，即在生成词汇关联值时同时考虑SR和VS的情况下，整体检索性能最好。在上述三种情况中，它的准确率往往最高，且准确率随排名靠前图像数量的变化趋势比其他情况更平缓。在…的情况下，即仅考虑VS时，整体检索精度性能略有下降。然而，就，即只考虑SR时，检索精度的性能明显变差(top ranking数没有达到120的原因是与查询的词典具有非零关联值的图像数没有达到120)。从结果可以看出，在生成定义词汇的关联值时，如果同时考虑SR和VS两个因素，检索精度会得到提高。另一方面，在只考虑一个因素VS的情况下，对检索精度的影响不大。然而，用已定义词汇生成联想值时只处理一个因子SR，并不能很好地表示图像的意义。

另一方面，Table2显示了前36个检索图像的准确性关于一些实现的词典，而，,或．

从表2，可以看出，虽然对不同词汇的准确性是不同的，但很明显，当时，所有词汇的准确性都是最高的．即在生成表示图像含义的关联值时同时考虑SR和VS的方法是有效的，很好地提高了图像的检索精度。

另一方面，除了使用BAM生成图像的SR和VS值外，文献中还有其他方法可以用于这一目的，特别是[中提出的统计建模方法。18］.然而,本文的重点是验证考虑语义包容关系代表图像的含义将提高图像检索的性能,同时还没有在文献中提出,而不是验证使用BAM比使用其他方法在图像检索。因此，本文采用了易于实现的BAM方法，并没有与文献中其他方法进行性能比较。

4．2．用于检索的多词汇查询的有效性

5名学生作为实验对象参加实验，每个实验者被要求从测试集中随机选取一些图像进行检索。实验中，实验者根据目标图像的含义指定域和词汇，并通过查询这些域/词汇来研究是否能检索到该图像。检索词汇的关联值的阈值(以后称为检索值)可以在查询过程中调整。整个测试过程如下所示。表示检索目标图像的查询次数我．（1）对于目标图像我，从给定的域/词库中选择一个词库，该词库主要用于表示图像的含义，并设置该词库的检索值。（2）检索和研究检索的是目标图像还是语义和视觉上与目标图像相似的图像。如果前24张图片中没有对应的图片，(我)从给定的域/词汇表中选择一个新的词汇表添加到查询条件中，设置这个词汇表的检索值，如果列出的图像数量大于24，则执行步骤(2)。来,让，(2)如果列出的图像数量小于24，则删除最新添加的词典，然后转到步骤(2)。来,让．（3)结束检索过程，如果目标图像在前24个列出的图像或达到5。实验者记录目标图像是否被找到的状态(成功检索(SRL))，检索该目标图像的查询词汇的数量(),．

在这个测试中，每个实验者需要选择30张图像进行检索，并研究这些图像在上述检索过程中是否能被检测到。

从上述过程中可以得到三个测量值。分别为每个实验者在图像检索过程中使用的词汇的平均值(CatUsage)、每个实验者检索目标图像的平均查询次数(AvgQuery)、目标图像对每个实验者的检测率(detection)，分别表示为: 在哪里米表示目标图像的个数。在这里,．如果没有检测到图像，赋值为0。

CatUsage体现了查询过程中所使用的词汇表的频率计数。CatUsage的值越低，定义的词汇表就越通用。AvgQuery体现了检索中查找目标图像的平均查询次数。值越小，表示搜索图像越容易。检测体现了目标图像的找到成功率。值越大，表示检索性能越好。

数字7显示了关于5个实验者的CatUsage值。平均值为1.41，标准差为0.126。从结果中可以看出，在查找目标图像的查询过程中，平均使用的词汇量小于2个，而词汇量的偏差较小。这意味着上述给定的词汇对于检索具有一般意义的图像是有效的。

数字8向五位实验者显示检索目标图像的平均查询次数。取值范围为(1.5,3)，平均值为2.23。这些值表明，通过查询词汇表两次或三次，几乎可以找到目标图像。查询次数不是很大，不能满足用户的检索请求。结果表明，所定义的词库能够有效地检索具有一般意义的图像。

数字9向5位实验人员展示了图像检索实验中目标图像的检测率。其值在63%到97%之间，平均值为82%，这意味着80%以上的目标图像在平均不到5次查询的情况下被成功检索，尽管个体的主观行为和检索标准对检索结果有一定的影响。

综上所述，实验结果表明，本文提出的用给定词汇的关联值表示图像意义的检索方法具有通用性，能够吸收个体标准对图像意义进行标注的影响。该方法能有效地检索具有一般意义的图像。

5.结论

为了系统地描述图像的含义，本文提出并利用大型文本语料库中观察到的2克频率计数来指定语义容忍关系模型(semantic tolerance relation model, STRM)，该模型反映了不同领域的词汇之间的容忍程度。考虑到语义关联(SR)和视觉相似度(VS)对图像意义解释的影响，在给定词汇下，图像以联想值表示，而联想值又受语义关联和视觉相似度的影响。联想值的计算采用基于像素的双向联想记忆(BAMs)，并结合STRM，与[17基于贝叶斯统计模型。提出了利用关联值进行词库检索的方案。最后，测试了SR和VS因素对关联值生成的影响，并通过检索5个被试的目标图像验证了所提方法的有效性。对检索图像的准确性分析表明，在生成关联值时考虑SR和VS的因素可以提高检索图像的准确性。5个被试平均使用1.4个词汇量和2.2个查询次数进行多词汇查询，检索率为82%。

在今后的工作中，需要分析学习模式图像对给定词汇意义表示的选择对检索性能的影响。另一方面，在构建BAM时，如何根据实际图像集的上下文来调节给定词汇的数量，这是一个需要探索的问题。并将图像的像素值作为学习模式XBAM的一层。然而，其他类型的学习模式，如颜色、形状和纹理的特征向量，对检索图像的准确性的影响需要分析。

另一方面，虽然在Section中对用户的可用性进行了实验4．2从某种程度上说明了所提出方法的效率和有效性，当给定的词汇表数量增加时，查询图像的系统界面可能会给用户从给定词汇表中确定概念带来不便。因此，如何基于本文提出的机制设计更方便的图像检索界面也是今后需要考虑的问题。

致谢

这项工作得到了JSPS KAKENHI、科学研究资助基金19500175和岩手大学研究基金的支持。感谢李少子教授和郭峰教授在系统实施和实验方面的合作。

参考文献

1. 谢磊，杨建军，“基于大规模多媒体词汇的多概念学习”IEEE图像处理国际会议论文集，页2148-2151,2008年10月。视图:出版商的网站|谷歌学术搜索
2. T. Gevers，“用于图像分割和纹理对象相似性的颜色常数比率梯度”，刊于IEEE计算机学会计算机视觉与模式识别会议论文集(CVPR’01)，第一卷，第8-25页，美国夏威夷，2001年12月。视图:谷歌学术搜索
3. 马文云，张海军，“基于内容的图像索引与检索”多媒体计算手册， CRC出版社，纽约，美国纽约，1999。视图:谷歌学术搜索
4. 黄涛，“图像检索中的优化学习”，《计算机科学与技术》计算机视觉与模式识别IEEE会议论文集(CVPR’00)页236-243,2000年6月。视图:谷歌学术搜索
5. 周学生，黄天生，“基于BiasMap的多媒体检索中的小样本学习”IEEE计算机学会计算机视觉与模式识别会议论文集(CVPR’01)，第I11-I17页，伊利诺伊州厄巴纳，美国，2001年12月。视图:谷歌学术搜索
6. B. E. Rogowitz，“知觉图像相似实验”，在人类视觉与电子成像年第3299卷学报学报， 1998年1月，美国加利福尼亚州圣何塞。视图:谷歌学术搜索
7. A. Mojsilović， J. Hu，和E. Soljanin，“图像匹配、检索和分析中感知重要颜色的提取和相似度测量”，IEEE图像处理汇刊，第11卷，第5期。11，页1238-1248,2002。视图:出版商的网站|谷歌学术搜索
8. J. Vogel和B. Schiele，“词汇支持的图像检索的性能预测”IEEE图像处理国际会议论文集, 2001年10月。视图:谷歌学术搜索
9. A. Mojsilović， J. Gomes, B. Rogowitz，“基于客观语义线索提取的图像语义友好索引和查询”，国际计算机视觉杂志第56期1-2，页79-107,2004。视图:出版商的网站|谷歌学术搜索
10. A. Wardhani和T. Thomson，“基于内容的图像检索使用基于分类的索引”，在IEEE多媒体与展览会论文集(ICME '04)，页783-786，台北，台湾，2004年6月。视图:谷歌学术搜索
11. 蔡德强，“基于图像的网络数字馆藏检索，”，国立中山大学资讯科学与技术研究所硕士论文IEEE/WIC/ACM网络智能国际会议论文集(WI’05)，页572-576,2005年9月。视图:出版商的网站|谷歌学术搜索
12. M.布特尔和J.罗，《超越像素:利用相机元数据进行照片分类》，模式识别第38卷第2期6，页935-946,2005。视图:出版商的网站|谷歌学术搜索
13. B. Bradshaw，“基于语义的图像检索:一种概率方法”第八届ACM多媒体国际会议论文集，页167-176，纽约，纽约，美国，2000年11月。视图:谷歌学术搜索
14. 余杰，田青，“面向图像检索的子空间发现语义信息的智能使用”，出版IEEE多媒体与展览国际会议文集(ICME '06)，第293-296页，加拿大多伦多，2006年7月。视图:出版商的网站|谷歌学术搜索
15. 沈兴国，“多标签机器学习及其在语义场景分类中的应用”，《计算机科学与技术》多媒体存储检索方法及应用， SPIE学报，2004年1月。视图:谷歌学术搜索
16. 戴勇，“考虑语义容忍关系的基于类的感性检索图像表示”，日本模糊理论与智能信息学学会学报第21卷第2期2，页184-193,2009。视图:谷歌学术搜索
17. G. Carneiro, A. B. Chan, P. J. Moreno，和N. Vasconcelos，“用于图像注释和检索的语义类的监督学习”，模式分析与机器智能学报，第29卷，第2期3，第394-410页，2007。视图:出版商的网站|谷歌学术搜索
18. 李建中，“基于统计建模方法的图像自动语言索引”模式识别与机器智能学报，第25卷，第2期9, 1075-1088页，2003年9月。视图:出版商的网站|谷歌学术搜索
19. B. Thorsten和A. Franz的《Web 1T 5克》。语言数据联盟，" 2006，http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC2009T13．视图:谷歌学术搜索
20. B. Kosko， "双向联想记忆"IEEE系统、人与控制论汇刊第18卷第2期1，第49-60页，1988。视图:出版商的网站|谷歌学术搜索
21. 《Sozaijiten影像书1》，Datacraft有限公司视图:谷歌学术搜索
22. 视频Traxx 1，“电影和视频库，”数字果汁。视图:谷歌学术搜索

版权

版权所有©2011英代。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。