基于相关反馈的结果优化方法

随着研究工作的深入，人们发现如果完全依赖于图像相似度计算，基于内容的图像检索效率会受到很大的限制，难以得到进一步提高。这主要是因为基于内容的检索方法是以图像的视觉特征为依据，通过统计分析、机器学习、人工智能等方法来估计图像在语义上的相似性，存在着“语义鸿沟”的难题。举例来说，黄色的太阳和黄色的鸡蛋在视觉特征上非常相似，但是两者却描述了完全不同的语义概念，这就是底层特征和高层语义之间的鸿沟。因此，基于内容的检索方法一直难以得到较高的准确率。

面对这一问题，研究人员尝试将人工干预融入基于内容的检索系统中，其中，最为成功的一项技术就是相关反馈。该技术最早被用于传统的基于文本的信息检索中，根据用户对检索结果的评价和反馈，系统自动地调整模型匹配参数，以及对用户初始查询的表达，优化查询结果，使之更加符合用户的查询需求。多媒体数据都可以表示成特征向量的形式，即:可以当做特征空间中的样本点，因此，采用向量模型在实现检索时，主要是寻找离查询条件向量最近的数据库样本点，这种向量模型下的相关反馈方法大致可以分成如下几类:

1.查询向量优化法

查询向量是指对用户输入的查询条件的一种向量表达形式。例如:在基于例子的CBIR系统中，用户提交一幅样例图像作为查询条件，系统找出与样例相似的图像返回给用户，在实现检索的时候，即将样例图像用查询向量表示，与数据库中的图像用相同的视觉属性和空间维数表示。

查询向量优化法的基本原理是:根据用户反馈中的相关图像和不相关图像信息，将查询向量的坐标移向相关图像所在区域，同时，远离不相关图像。从而，更新后的查询向量更能准确地表达用户的查询需求，相应地，检索结果通常也能达到更高的准确率。(www.xing528.com)

2.特征权重优化法

该方法的核心思想是调整特征表达和相似度计算模型中的特征权重。例如:假设图像数据都被表达成n维向量空间中的样本点，并且，在用户反馈过程中标注的所有相关图像都具有同一个特征，即:这些图像在向量空间中的某个维度k上的方差很大，则说明了相对于其他特征，维度k上的特征不具备可区分性，对图像检索来说无关紧要，用户的检索需求不侧重于这个特征的比较。因此，在这种情况下，可以降低将特征空间中维度k所对应特征的权重。

3.基于机器学习的方法

近年来，一些机器学习方法被融入相关反馈中来，并取得了较好的效果。例如:采用基于支持向量机(Support Vector Machine，SVM)的主动学习方法(Active Learning)选择最有价值的反馈图像，使用贝叶斯方法计算图像集合的概率分布，在基于直推式学习(Transductive Learning)的检索算法中，用长期和短期学习策略来挖掘潜在的多媒体语义，等等。这些反馈方法的使用，一定程度上提高了图像检索系统的效率。