多標(biāo)簽自然場景圖片識別

安徽新華學(xué)院大數(shù)據(jù)與人工智能學(xué)院 曹天成

近年來，圖像識別已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點，由于當(dāng)前情況下，一張圖片涵蓋了許多的語義內(nèi)容，使得傳統(tǒng)的單標(biāo)簽分類已無法滿足圖像分類需求。為了解決自然場景圖片識別問題，在多標(biāo)簽分類的基礎(chǔ)上，使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，提出了一種多標(biāo)簽自然場景圖片識別的方法。

隨著互聯(lián)網(wǎng)及其衍生應(yīng)用的不斷普及，一個信息量呈指數(shù)增長的大數(shù)據(jù)時代已然到來，隨之而來的則是計算機(jī)技術(shù)的飛速發(fā)展，其中就包括計算機(jī)視覺[1]與機(jī)器學(xué)習(xí)[2]技術(shù)等領(lǐng)域。這是因為人們對于圖像應(yīng)用的需求的不斷提高，讓各種圖像類研究問題誕生。圖片的識別分類一直是計算機(jī)視覺領(lǐng)域的基礎(chǔ)任務(wù)，而以往的單標(biāo)簽圖像識別只能賦予圖像一個標(biāo)簽，而一張圖像一般會包含多種物體與特征，不能滿足現(xiàn)在需求，因此多標(biāo)簽圖像分類的研究是現(xiàn)在的主要方向。在過往的單標(biāo)簽圖像分類的研究中，人工神經(jīng)網(wǎng)絡(luò)有了廣泛的應(yīng)用，其中卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用的效果尤為出色。但現(xiàn)實生活中的自然場景圖像往往更加復(fù)雜，存在著物體遮擋、光線過強(qiáng)等各種各樣的問題，提高了對于圖像識別分類的難度，而不是再像以前一樣直接使用現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。因此必須要深入地研究探索卷積神經(jīng)網(wǎng)絡(luò)在多標(biāo)簽圖像分類中的應(yīng)用?；诖耍疚幕贑NN 模型進(jìn)行了多標(biāo)簽自然場景圖像的分類，實驗結(jié)果證明該方法有著優(yōu)秀的分類精度，而對于真實圖片的識別結(jié)果也有著一定的精準(zhǔn)度。

1 相關(guān)理論基礎(chǔ)

1.1 多標(biāo)簽分類

近年來，科技界掀起了一股前所未有的人工智能熱潮。而在人工智能領(lǐng)域有一種說法，認(rèn)為機(jī)器學(xué)習(xí)是人工智能領(lǐng)域中最能夠體現(xiàn)智能的一個分支，也是發(fā)展最快的一個分支。機(jī)器學(xué)習(xí)旨在利用大量數(shù)據(jù)進(jìn)行大量訓(xùn)練，從而讓計算機(jī)獲得與人類類似的學(xué)習(xí)能力，其應(yīng)用遍及人工智能的各個領(lǐng)域。其中，分類問題就是最為典型的機(jī)器學(xué)習(xí)問題。

在傳統(tǒng)的分類框架中，數(shù)據(jù)集中的每個樣本通常只與一個標(biāo)簽關(guān)聯(lián)，而在多標(biāo)簽分類問題中，一個樣本通常可能關(guān)聯(lián)多個標(biāo)簽，此種類型的數(shù)據(jù)集被稱為多標(biāo)簽數(shù)據(jù)，比如一張照片可能擁有風(fēng)景、人物等多個主題；一張圖片可能包含“樹木”“湖泊”“藍(lán)天”等元素。近十幾年中，多標(biāo)簽分類[3]已經(jīng)成為了機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點之一，吸引了大量研究者的關(guān)注，并在多媒體內(nèi)容自動標(biāo)注、信息檢索、個性化推薦、生物信息學(xué)[4]等多個領(lǐng)域得到了應(yīng)用。

現(xiàn)如今有多種解決多標(biāo)簽問題的方法途徑，其主要分為兩大類：一是基于問題轉(zhuǎn)化的方法，二是基于算法適用的方法?；趩栴}轉(zhuǎn)化的方法就是將其轉(zhuǎn)化為問題數(shù)據(jù)，然后再去使用現(xiàn)有的算法；基于算法適用的方法主要是對于設(shè)定的算法去加以擴(kuò)展，然后去處理多標(biāo)記數(shù)據(jù)，改進(jìn)算法，適用數(shù)據(jù)。其中問題轉(zhuǎn)化方法通常會將多標(biāo)簽問題轉(zhuǎn)換為它類問題方法，然后利用相關(guān)的模型進(jìn)行處理。其次，由于多標(biāo)簽的標(biāo)簽問題有著巨大的價值，所以根據(jù)標(biāo)簽問題可以劃分為三步走：第一步策略，二步策略和終步策略。第一步時候不考慮樣本與標(biāo)簽的相關(guān)性，第二步時候需要對樣本與標(biāo)簽之間相關(guān)性考慮，而最后一步策略需要對比標(biāo)簽之間關(guān)系進(jìn)行分析，相較于前兩種高階策略具有更強(qiáng)的探索性。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

近幾年大數(shù)據(jù)技術(shù)和人工智能迅速發(fā)展，大數(shù)據(jù)時代隨之來臨，為人工智能技術(shù)的發(fā)展提供了無窮無盡的數(shù)據(jù)樣本，而深度學(xué)習(xí)則是新時代人工智能技術(shù)進(jìn)一步發(fā)展的最主要推動力。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一種，是一種無監(jiān)督學(xué)習(xí)，它基于一種學(xué)術(shù)假設(shè)：即人類對外界環(huán)境的了解過程最終可以歸結(jié)為一種單一算法，而人腦的神經(jīng)元可以通過這種算法分化出識別不同物體的能力，而且整個識別過程完全不需要外界干涉。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)[5]是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Networks)，是深度學(xué)習(xí)[6]的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)能力，能夠按其階層結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類，因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)”。

基礎(chǔ)的CNN 由卷積、激活和池化三種結(jié)構(gòu)組成。CNN輸入的是需要識別的圖像，輸出的結(jié)果是每幅圖像的特定特征空間。在處理圖像分類任務(wù)時，把CNN 輸出的特征空間作為分類算法的輸入，得到圖片到標(biāo)簽的映射，再將訓(xùn)練結(jié)果返回，迭代調(diào)整網(wǎng)絡(luò)權(quán)重，直至獲得最佳的分類效果。

2 實驗構(gòu)建

基于此，為了提升前文理論研究的實際可操作性，本章將自然場景圖片進(jìn)行CNN 算法特征提取后再用基礎(chǔ)的多標(biāo)簽學(xué)習(xí)算法進(jìn)行分類，得到一個端到端的圖像識別。

2.1 實驗環(huán)境

本章實驗的硬件環(huán)境為Intel(R) Xeon(R) CPU E5-2650 2.60GHz CPU；操作系統(tǒng)為Linux 5.4.0-62-generic。使用TensorFlow[7]搭建卷積神經(jīng)網(wǎng)絡(luò)，TensorFlow 是一個基于數(shù)據(jù)流編程的符號數(shù)學(xué)系統(tǒng)，被廣泛應(yīng)用于各類機(jī)器學(xué)習(xí)算法的編程實現(xiàn)。實驗的環(huán)境變量為Python3.6，Numpy1.19，TensorFlow2.0。

2.2 評價指標(biāo)介紹

為綜合評價本文提出的算法是否真實有效，我們從錯誤率、精度等多個方面對算法進(jìn)行了評估，評價指標(biāo)選用4 個常用多標(biāo)簽學(xué)習(xí)評價指標(biāo)，分別是平均精度(Average Precision，AP)、覆蓋率(Coverage，CV)、漢明損失(Hamming Loss，HL)、1-錯誤率(One-Error，OE)。為方便簡寫為AP↑、CV↓、HL↓、OE↓，其中↑表示數(shù)值越高越好，↓表示數(shù)值越低越好。設(shè)多標(biāo)簽分類器h(·)，預(yù)測函數(shù)f(·,·)，排序函數(shù)為rankf，多標(biāo)簽數(shù)據(jù)集D={(xi,Yi|1≤i≤n)}，以上4 種評價指標(biāo)的詳細(xì)解讀如下：

（1）Average Precision(AP)：評估特定標(biāo)簽y∈Yi排列的正確標(biāo)簽的平均分?jǐn)?shù)，數(shù)值越高越好。

（2）Coverage (CV)：度量平局需要多少步才能遍歷樣本所有的相關(guān)標(biāo)記，數(shù)值越低越好。

（3）Hamming Loss(HL)：度量樣本在單個標(biāo)簽情況下的真實標(biāo)簽和預(yù)測標(biāo)簽的錯誤匹配情況，數(shù)值越低越好。

（4）One-Error(OE)：評估對象最高排位標(biāo)簽并非正確標(biāo)簽的次數(shù)，數(shù)值越低越好。

2.3 預(yù)訓(xùn)練

諸多研究表明，同類型的圖像數(shù)據(jù)底層特征都具有強(qiáng)相關(guān)性，諸如自然場景中的顏色、紋理等特征，所以，本章使用Image 數(shù)據(jù)集進(jìn)行模型的預(yù)訓(xùn)練。多標(biāo)簽數(shù)據(jù)集Image 選自于數(shù)據(jù)集ImageNet[8]，是專門用于多標(biāo)簽分類的自然場景圖像數(shù)據(jù)集，共有5000 張自然場景圖片，包含“沙漠”“山”“湖泊”“晚霞”“樹”5 個標(biāo)簽，如圖1所示是一張Image 數(shù)據(jù)集中的圖片與標(biāo)簽。

圖1 自然場景圖片與標(biāo)簽Fig.1 Nature scene pictures and tags

本章預(yù)訓(xùn)練迭代20 次以達(dá)到收斂，最終結(jié)果截圖如圖2所示。

圖2 CNN-MLNCE 實驗結(jié)果Fig.2 CNN-MLNCE experimental results

將結(jié)果中的HL、AP、OE、RL 指標(biāo)與經(jīng)典的多標(biāo)簽分類算法MLRKELM 算法[9]、MLFE 算法[10]、LIFT 算法[11]進(jìn)行對比，對比結(jié)果如表1所示，占優(yōu)算法加粗表示。

表1 應(yīng)用實驗結(jié)果Tab.1 Application experiment results

實驗結(jié)果表明，由于本文方法的深度學(xué)習(xí)過程，在各項指標(biāo)上都要優(yōu)于其他多標(biāo)簽學(xué)習(xí)算法。證明了本文方法有著較好的分類精度。

2.4 實際應(yīng)用

為了檢驗本文方法的實際應(yīng)用效果，我們?nèi)斯づ臄z了多張自然場景圖片，使用已預(yù)訓(xùn)練好的本文方法進(jìn)行分類，下面展示部分訓(xùn)練后的分類預(yù)測結(jié)果。

上面列舉了兩張照片與分類結(jié)果（如圖3、圖4所示），照片的識別結(jié)果為“山”“湖泊”，可以看出，算法基本分類準(zhǔn)確，但還有部分的遺漏，因此還有進(jìn)一步改進(jìn)的空間?？傮w可以推斷出本文方法對自然場景圖片有著一定的識別能力，并且有較高的準(zhǔn)確度。

圖3 自然場景照片F(xiàn)ig.3 Natural scene photos

圖4 圖片的識別結(jié)果Fig.4 Image recognition results

3 結(jié)語

本章選取CNN 作為預(yù)訓(xùn)練模型進(jìn)行圖像的特征提取，并用多標(biāo)簽分類算法進(jìn)行分類，構(gòu)建了CNN-ML算法進(jìn)行實際場景的應(yīng)用。結(jié)合目前主流的多標(biāo)記算法進(jìn)行對比試驗，得到的結(jié)果顯示本文方法具有一定優(yōu)勢。同時，我們使用本文方法對人工拍攝的真實自然場景圖片進(jìn)行識別，得到了不錯的分類效果。