برچسب گذاری تصویر بر مبنای نواحی مهم با استفاده از شبکه های کانوولوشن عمیق

قابلیت تولید برچسب متنی برای تصاویر،کاری چالش برانگیز و درعین حال پر کاربرد است. ازکاربردهای برچسب گذاری خودکار می توان به ساختابزارهایی برای بازیابی بهتر تصاویر با استفاده از فهم معناییمحتوای و کمک به افرادی که در سیستم بینایی خود دچارمعلولیت هستند اشاره کرد. در این مقاله یک سیستم جامعو یکپارچه برای برچسب گذاری خودکار تصاویر معرفی شدهاست که با استخراج ناحیه های مهم تصویر، به ازای هر ناحیهبرچسبی که شامل یک کلمه، عبارت یا جمله است را بهنواحی نسبت میدهد. یک مدل Inception مانده ای برای استخراج ویژگی های تصویر معرفی شده است که علاوه برتعداد پارامتر کمتر، دارای عمق و دقت بیشتر نسبت به مدلهای پیشین همچون VGG است. مدل پیشنهاد شده قابلیت یادگیری در یک مرحله گذر رو به جلو را دارد. بانک داده استفاده شده جهت ارزیابی روش پیشنهادی Visual Genome می باشد.

Keywords:

شبکه مانده ای , شبکه Inception , مدل پیشنهاد ناحیه , شبکه تبدیل فضایی