文摘
图像媒体被人们用来感知世界的物质现实和精神象征。传统民间艺术图片,与自然场景图像,特点是“形式写神。“他们的语义数据更抽象的和详细的。因此,民间艺术图像限制使用自然图像的低层视觉特征描述符。通过模拟自然进化的物种,进化计算可以解决优化问题。黑盒优化、组合优化、非凸优化和多目标优化都是优化技术的例子。语义模型是使用语义词典,然后图像之间的语义表达式决定使用语义度量。因此,本文的重点是“语义鸿沟”的进化computing-based图片搜索技术,以及相关的反馈和图像语义分析技术。结果表明,该方法使用深数据库的三倍交叉验证方法实现平均舒适和觉醒,精度为63.62%和72.38%,分别比方法的比较文学,可以验证算法的效率和可行性。总而言之,利用进化计算技术改善对象分类和检索的性能,传统民间艺术形象构成和语义表达可以有效地降低量化误差和提高分辨率的图像语义表达式。
1。介绍
传统民间艺术是中国文明和文化不可或缺的组成部分。它来自中国儿童的劳动实践和日常生活,继承祖先的汗水和智慧、融入血液的民族精神1]。民间绘画是惟一的,它们的存在与传统民俗文化的同时还保持着他们的独特的特点2]。对于当代中国视觉设计,原始的感性,混乱的艺术表现,建模仪式,原始宗教概念,阴阳,五行哲学,深刻的民族文化内涵和本地化的叙事风格提供了灵感和创新3]。然而,随着现代社会的发展,社会生活快速变化的多维概念,生活观点,和价值观,如生命的多样性和丰富性,也会导致刻板印象,因袭,团结,和稳定的民间艺术,以及现代和传统之间的冲突的艺术概念,把这些古老的传统民间工艺测试。
图像通常是手动标注文本图像分割的早期阶段(4- - - - - -6)、分类(7- - - - - -9),和其他任务(10- - - - - -12),然后使用文本分析技术处理,如基于文本的图像搜索。现有凸优化算法很难解决这些实际的优化问题,所以计算已成为首选方法。民间艺术有着广泛的潜在应用在教育、商业、网络搜索等领域,因为它有一个广泛的应用前景。基本图像的视觉特征,如颜色、纹理和形状,主要是利用进化来描述图像的内容,以及使用这些特性之间的距离来判断图像的相似性。执行手动识别的图像。用另一种方式,用关键字注释图像或文本单词,然后寻找他们。为了避免过多的信息丢失,必须冗余过滤特性和独立的分类标签,和其余的特征子集必须超越原来的特性集。
如何有效地表达和测量图像的意义是为了解决最困难的问题为了完成任务就像图像注释,搜索和分类准确、高效。如果画的语义类别可以自动分析,绘画可以实现的自动分类,和艺术家的语义注释可以在此基础上完成,这将是一个非常有用的辅助工具创建的数字绘画。形状和形状组合产生语义(13]。语义模式,简单地说,模式和机制,连接形式和意义。数字图像处理、多媒体信息检索、机器学习和深度学习技术(14)、多媒体数据库管理、和许多其他相关技术(15)都是用于图像的构成和语义表达民间艺术使用进化计算技术。这是一个边缘学科,相关研究是至关重要的图像处理技术,信号处理技术,信息处理技术理论。本文的创新在于以下几点:(1)图像构成和语义表达基于进化计算技术提出了可以应用于神经网络优化,即研究领域的进化神经网络,优化网络拓扑结构,网络的训练hyperparameters,神经网络的连接权值,等等。(2)与传统的神经网络训练方法不同,本文把神经网络的训练问题具有不同结构的多维多任务优化问题并使用异构的多维多任务神经进化算法训练网络在同一时间。
2。相关工作
2.1。图像合成和语义表达的传统民间艺术
因为通常没有直接联系图像低层视觉特征和高层语义概念,绘画图像自动语义分类和注释是一个困难的研究课题。据陆等人的研究中,基于进化计算的方法具有更强的全局搜索能力,使它更有效和实用的搜索方法,也广泛应用于图像成分分析(16]。当前图像特征无法准确地对应于图像的语义内容由于语义鸿沟。甚至出现一系列的图像表示模型,如视觉词包模型,视觉语言模型,和学习编码模型,只是试图缩小语义鸿沟通过构建图像的中层语义概念模型。刘和王把象征主义研究更广泛的上下文。他们结合之前的理论成就代表作“视觉艺术”的含义和正式提出三个层次的象征主义研究[17]。Tang和刘使用强大的计算机和人类的视觉让搜索结果更接近人类的视觉(18]。因此,使用图像之间的距离特性来衡量图像之间的差异的含义既不合理又不准确的。图像的距离计算语义距离。商使用遗传算法优化支持向量机的参数,证明遗传算法可以实现参数优化和特征子集选择分类性能的前提下(19]。监督距离度量学习背后的主要思想是学习一个度量矩阵premarked然后映射和转换数据样本以减少语义相似的样本之间的距离改变了度量空间,而分离语义无关的样本和增加它们之间的距离。陆的图像组成,提议使用监督距离度量学习测量图像的稀疏和粒度边缘(20.),基于上述特点,细致的绘画和徒手绘画。
2.2。多任务进化计算
研究数字图像的自动分类和标记民间艺术包括一体化的计算机视觉、机器学习、图像搜索,认知心理学,和绘画艺术。多任务进化计算指的是利用进化算法优化几个相似的任务在同一时间。其开创性的算法是多因素进化算法。民间艺术关注对象识别技术,基于内容的图像检索技术,图像的本质“描绘思想形式”在计算机视觉中创建底层视觉特征的谓词。图像的某些限制,民间艺术(如颜色、形状、纹理等)。适用于图像。乔在2016年提出了多任务的概念计算并提出了第一个多任务优化算法(MFEA) [21]。不同于一般的数字图像表达的准确的语义信息,数字图像的一个特征是语义信息反映和表达是抽象的。MFEA是一种新的算法,它使用一个人口解决多个同时优化问题和地图的优化空间不同的任务到标准化优化区间。模仿允许基因传递给彼此不同的任务。下文等人提出了一种特征加权滤波特征选择算法(相关特性,救援),分配不同的权重特性根据每个特性的相关信息特征选择和分类(22]。郭等人首次提出多目标和多任务进化算法(MO-MFEA)和验证算法在实际的多目标优化问题的效率(23]。Halstead等人提出了一个基于贪婪算法搜索,不断优化的性能分类学习者的顺序选择功能从剩下的特性集,将其添加到所选特征子集(24]。马基等人多任务进化计算的概念扩展到遗传编程(GP),提出了多因素遗传编程(25]。
3所示。图像特征提取和距离测量方法
3.1。图像特征提取方法
图像特征提取主要是指使用特定的运营商来提取向量代表图像信息(26]。图像一旦出生,它自然有信息传递和表达的功能,成为“文本”,中27]。一个民族的文化心理是适应社会和时代的文化背景当它形成和存在28]。图像特征提取的主要过程如图1。
首先,图像的全局特征主要包括颜色特征、纹理特征和形状特征,,这可以被看作是运营商的作用的结果l在全球形象我。目的是寻找图像中的亮度变化迅速的地方和检测亮度值的不连续。扩大亮度值两次:
提取步骤的低级视觉特征表示图像的语义场景,根据映射关系是否建立图像的低层视觉特征与高层语义对象,我们大致把现有的图像场景分类算法分为两类,即图像的低层视觉特征和基于图像中层语义表示机制。带点坐标系统的起源,从任何点线段的长度 在模板的起源是 ,和正半轴的角是 ;然后
颜色函数是最早的函数用来表示图像内容,通常取决于GB等彩色空间模型,量化宽松,HSV (29日]。然而,由于颜色信息的分布特征将不考虑二维空间,图像不同的内容可能有类似的颜色直方图。如果只有蓝色和其他颜色特征是用来处理图像,可以很容易造成误分类。天空和蓝色的大海很容易落入同一类别。因此,全球形象函数更适合处理具有明显的图像区域的边缘。使用边缘检测函数的内部结构图像,图像的内部结构的复杂性指数描述的复杂性的内部结构,其计算公式
其次,图像的全局特性的计算复杂度很小,而且它是视角的变化不敏感。然而,他们只能反映图像的全局统计信息,忽略了当地的细节。图像的边缘响应可以用威布尔分布建模。威布尔分布的公式如下:
利用图像分割技术,图像分为若干均匀区域,然后每个均匀区域的语义对象类别全自动或半自动的方式给出。然后,训练样本为每个语义对象,收集和监督学习机制是用来构造一个分类器。通过与阈值比较,图像中的像素进行分类。的像素点 ,边缘的边缘图像,灰度图像的导数计算,和边缘的方向 像素点 计算:
图像分为均匀网格,和地方特性得到相同大小的地区,其次是当地特性区域的描述。因为正常的网格提取覆盖整个图像,它可以充分利用图像数据,但它也引入了大量的功能问题,和不计后果的解释总是引入了大量的冗余数据。正则网格也可以用来突出形象的重要部分,引入视觉注意机制可以有效地渲染后的图像提取和描述地区的代表语义信息。
3.2。图像测距方法
图像测距的本质是相关研究基于圆形图像语义表方法,包括图像底层特征之间的相关性,相关性的视觉单词,和图像语义表示向量之间的相关性。欧氏距离是最理解距离计算方法之一。它来自两点之间距离的公式在欧几里得空间。它的计算方法是
曼哈顿距离计算如下:
余弦距离计算如下:
相关性是根据特定条件过滤功能,无论学习者的表现。换句话说,因此特征选择过程是有效的,因为它首先完成特征选择,然后火车的学习者选择功能。图像距离测量的流图所示2。
首先,当感兴趣的信号是可压缩的或稀疏,信号可以准确地得到一些样品。因此,图像的语义表示向量构造后,有必要衡量他们的相似性和图像之间的相似性。根据一定的标准,通过小面积增长,融合成大片,或大范围划分成小区域,我们可以发现和测量图像的特征子集。散度通常是用来测量不对称的两个概率分布之间的区别。假设这两个概率分布 ,的他们之间的分歧是
因为特定的评价函数优越与否,决定一个子集定义不同的评价函数会影响特征子集的选择结果30.]。选择一个种子像素,指定和生长条件,表明像素具有类似特征的种子像素可以合并,并符合标准的像素或地区逐步合并。特征子集生成过程可以使用一个特定的搜索策略来生成候选特征子集和评估,从最初的特性集作为起点。每个图像的深度学习特性解决了使用标准梯度优化算法,融合和深度学习特性来产生图像的深度学习表示向量。图3说明了图像的流分岔表达方法。
其次,一个重要的方法来解决图像测距问题是构造一个辅助函数,所以这个函数的无约束最小也是最低的限制问题。然后,无约束最优化最小化方法用于找到最低的辅助函数,从而得到原问题的最优解。假设 原始图像和吗 转换后的图像,无约束最优化最小化方法用于计算:
内核规范等于矩阵的奇异值向量l规范和规范等级对应的向量的零。内核规范与零范数的不同之处在于,它是凸,而零范数不是一个数学准则。然而,距离度量学习的目标是获得一个从训练数据转换,可以反映结构信息或样本空间的语义约束信息,以及更多的可区分的度量空间,因此,特征空间之间的匹配和语义空间是不可见的。无人监督的远程学习和监督远程学习是远程教育的两种类型的方法。停止条件决定是否特征选择过程结束,防止搜索过程循环下去。一般来说,算法的停止条件可以最大迭代次数,功能设置阈值,分类精度阈值,最大执行时间,等等。因为背景的影响全球高异常复杂的场景,这些方法是非常重要的,结果是不同的。
纵观历史,传统民间艺术扮演了不同的角色。它反映了中国工人阶级的全球前景和价值观,以及中华民族独特的文化心理结构,审美情趣和艺术理想。为了充分发挥民间艺术图形的审美趣味,相关人员必须设计民间艺术图形与图像测距过程中特定的场合和地点。
4所示。异构多因素分析进化算法和神经进化算法
4.1。分析异构多因素进化算法
MFEA是第一个多任务进化算法,可以同时优化多个问题在一个人口。也就是说,使用人口勘探技术,人口问题表示为一组解决方案,和一组遗传操作,如选择,交叉,对当前人口和突变产生新一代的人口,将在大多数最优解的状态。它逐渐演变,包括传统的简略使用真正的或二进制编码遗传算法。该算法的主要过程是通过交叉变异产生的后代,然后选择好个人通过选择操作传递给下一代。不同于传统方法,多因素进化算法需要学习者的表现作为评估的标准特征子集。也就是说,它直接使用所选特征子集训练学习者,然后根据评估的性能特性分类的效果。SVM分类器完成学习目标分类的传统欧氏空间和新的度量空间和验证图像特性的影响组织目标分类精度。结果如图所示4。
首先,MFEA使用一个单一的人口优化所有任务在同一时间,但不同的任务的搜索空间是不同的,尺寸可能会有所不同。有必要设计一种新的编码方法将单个个体映射到多个任务。根据MFEA,个人编码为一个向量维度 。解码时,只MFEA解码第一基因的 。x平方分布模型用于删除一定数量的视觉停止的话,验证的影响消除不同数量的视觉停止词在目标检索结果,并执行与目标检索结果比较没有视觉停止词删除,并检索映射值如图5。
在特征编码,每个特性的概率被选中的可以被编码成一组N必要数字字符串长度l,即编码过程。异构多因素,进化算法在本章可以减少学习时间得到最好的分类结果。功能分组算法的介绍后,学习时间可以进一步降低。因此,该方法在本章在大规模数据仍然具有较强的实用性。分类美联社和学习时间不同的距离度量学习方法如表所示1。
元素值的平方和矩阵的每一列对应一个相应的图像块,所以更加突出图像块,大的元素值的平方和的列。同样的,值越低,越不明显的块。设置合并和分割标准,然后孤立小区域或像素相似性较低,区域或合并像素高相似性直到分割完成。被添加到一些约束规则学习算法的模型训练过程简化功能。可以获得相应的特征子集模型训练完成后。即使任务非常相似,基因转移不太可能发挥作用,因为后代有一个非常低的标准健身价值和迭代可能消除由于有害的转移。
其次, :为了方便讨论,我们假设的交叉所产生的后代 , 和 ,随机继承父和完整的最优因子基因在不同的任务迁移。为了准确定位和规模与低对比度和关键要点和删除点和不稳定的边缘响应点,进行分类实验是加州理工学院- 256数据集,分别和本章的性能验证的方法通过比较它与其他经典的目标分类方法,包括基于传统方法的视觉词包模型和稀疏编码模型。美联社分类值如表所示2。
拿一个8×8集中在关键的窗口。关键点附近的每个单元格代表一个像素,箭头的方向代表了像素的梯度方向,箭头的长度代表了梯度。我们重新评估性能通过反相的六角星形段数字字符串,所以,当前的六角星形可以选择合适的方向,以便在每次迭代找到更好的解决方案。点显著图的拓扑对应输入图像的像素。不同的视觉特征(颜色、纹理、方向等)可以被认为有不同的特点。使用视觉特性垂直和水平向量来创建二维滤波器模板,也称为过滤器。所有基准问题,MFEA比其他算法在均值和方差小得多,这表明MFEA有很强的优势解决方案的准确性和稳定性。
4.2。神经进化算法不同的多维因素的分析
我们使用单隐层神经网络以适应混沌时间序列。虽然单隐层神经网络有很强的非线性拟合能力,很容易落入局部最优利用参数 。一般来说,这个参数的选择取决于实验突出对象字段。较小的,就越可能被视为重要的参数块。Ashmolean_3和在牛津Christchurch_5 SK数据集是查询的目标,和艰难的分配方法(AKM + HA)是较软的分配方法(AKM + SA),和召回率。精密曲线如图6。
因为它不同于普通的确切表达的语义信息数码图像的自然风光,民间艺术数字图像的特点是语义信息反映和表达是抽象的。模板与图像卷积。卷积滤波后图像垂直和水平方向的变化,并得到了两个隐层节点。不同隐层节点意味着不同的任务维度。隐层节点越多,越高维度的任务。由于维数灾难,它变得更加难以优化任务在高维空间中,所以我们需要快速转移从低维网络到高维的信息网络。在常见的搜索算法,解决方案可以采取任何形式的表达,一般没有特殊待遇。但在进化计算,每个解决方案的最初的问题被认为是一个生物个体。视觉语言模型(VLM)用于分类10目标类别在加州理工学院- 256图像设置在这些视觉词典。美联社价值目标分类的变化与视觉词典的大小,如图7。
开始,我们选择三个基准数据集的预测混合纯时间序列:洛伦兹,麦基玻璃和太阳黑子。计算机模拟被用来创建Lorenz和麦基玻璃数据集。数据集是一个真实的数据集相对复杂。训练图像的关键点检测使用狗操作符,和筛选特征描述符。输入民间艺术图像分为常规图像条件使用一个简单的空间网格布局图像尺度不变的属性转换描述符根据民间艺术图像的特点。特征聚类结果结合特征点对应一个像素与像素图像的聚类分析图像的区域特征。提取的图像描述符实现集群映射到像素集。10个不同类型的加州理工学院- 256图像集,比较不同维度的时间消耗多因素神经进化算法和AKM算法在构建视觉词典。实验结果如图所示8。
第二,四阶龙格-库塔方法用于解决微分方程,积分时间步长为0.01,方程的初始值是一个随机数字0到5之间,和前30000点是省略,以确保稳定的序列。假设要点与空间位置是相似的,我们可以把它们组合在一起,计算其质量,并把它们作为一个代表性的关键。然后,较低的图像熵(即通常包含一个核心对象。,significant areas are more obvious), while images with high entropy contain multiple objects under different textures (significant areas are not obvious or multiple areas attract attention). On the basis of each kind of mean value, the pixels close to each kind of mean value are classified into corresponding classes according to the principle of distance. All sample data are projected onto multiple models, respectively, and the probability of samples in corresponding categories is obtained. All sample data are projected on several models, respectively, and the probability of samples in the corresponding classes is obtained. The set of contemporary initial solutions and their transformed solutions is called candidate solution pool, which is labeled as 。因此,当前状态 ,候选人溶液池设置的当前状态和它的状态改变了卦交叉算子,反演算子,和相互操作。
5。结论
一个丰富多彩的文化传统下的一种艺术形式。这一传统,另一方面,不仅属于过去的时代也到现在。它有一个被忽视的影响我们的日常生活,反映了我们生活的质量。我们应该密切关注艺术的“意义”图形和符号的差异研究中国传统民间艺术形式的图形应用时。底层图像特征和高层语义差距的意义,一般来说,最大的一个问题在当前智能图像处理。这是最重要的一个思想分析和从民间艺术中提取关键语义内容的图像,结合语义数据与感性词包,和解决问题的民间艺术图像的语义分析和分类。进化计算的算法是显式或隐式的协助下迁移。传统民间艺术的构成和语义表达图像,采用进化计算技术提出了图像特征提取和距离测量方法研究,以及异构多因素进化算法和神经进化算法彻底检查。通过分析民间艺术图像的结构信息,实现民间艺术图像的语义分类基于结构也是一个重要手段提高民间艺术图像的语义分类性能。该方法削弱了小样本和样本不平衡问题在传统的相关反馈技术和提高检索系统的准确性和效率。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者没有任何可能的利益冲突。