导读:本文包含了标注传播论文开题报告文献综述及选题提纲参考文献，主要关键词:网络模因,网络流行语,创新扩散,模因地图
标注传播论文文献综述
曹进,梁海英[1]（2019）在《网络语言模因扩散与传播地图标注研究》一文中研究指出网络流行语究就其本质而言是一种语言创新,其流行过程也是网络语言模因扩散增殖的过程。文章以罗杰斯(2016)的创新扩散为理论基础,以Paull(2009)的模因地图为标注方法,探究"霸座"作为一个网络模因的演绎渐进途径。以创新扩散为基础的"模因地图"在视觉上更加直观地展示了模因在时间和空间上的传播和扩散路径,具有较好的工具性和实用性。模因地图丰富了模因理论的研究体系,拓宽了其应用范围,为观察模因的时间和空间分布、研究模因发展进路标注提供了新的启示。(本文来源于《外国语言文学》期刊2019年01期）
丁珩珂,吴子朝,王毅刚[2]（2019）在《采用多标签传播的叁维模型标注方法》一文中研究指出随着数据采集设备与建模技术的进步,如何高效地对叁维模型进行分析与检索,成为目前几何处理领域的研究热点。当前,有许多工作都集中在模型的分类上,但是大多仅能处理单一标签。在处理多标签问题时,不仅耗费大量时间还忽略了标签之间和样本之间的关联关系。针对该问题,提出了采用多标签传播的叁维模型标注方法。其核心在于利用标签相关性与样本之间的关联关系探索到整个样本空间的多标签标注潜力。具体来说,给定一小部分样本的多标签信息,再将多标签信息通过这些标注样本传播到空间中无标注的样本之上。传播的过程主要依靠迭代融合标签信息与动态度量,充分考虑了标签之间与样本之间的关联关系,最终得到整个空间的标注结果。在一些叁维模型的标准数据集上(如普林斯顿形状标准模型数据库)进行实验测试,结果证明,只需要少量的交互就能快速地得到较为精确的结果。(本文来源于《计算机工程与应用》期刊2019年21期）
蔡少芝[3]（2018）在《图像标注中基于视觉和语义一致性的标签传播及其标签均衡方法》一文中研究指出随着互联网技术的蓬勃发展以及智能手机等具有拍照功能的设备的普及,图像资源呈爆炸式增长,亟需高效的图像检索技术。自动图像标注是图像检索中的关键技术,它基于图像的视觉特征,给图像添加反映其内容的语义标签。互联网图像资源数据海量且样本质量参差不齐,为了实现对图像的高效标注以及处理样本标签失衡问题,本文研究图像标注中的标签迁移算法,着重针对最近邻标注模型中的标签传播和标签均衡问题展开研究。主要工作包括:1、提出了一个视觉-语义分布式词向量生成方法。图像标注中,标签的分布式词向量无法表达标签间的视觉相关性,导致图像的分布式词向量视觉相似和词向量相近不一致。本文将图像的视觉类别信息融入分布式语义词向量,得到图像标签的视觉-语义词向量,在最近邻图像集中根据图像在视觉-语义词向量空间的距离进行标签迁移。同时,针对原始数据库标签失衡的问题,提出一种联合语义和视觉信息的最近邻图像选择方案,使得选出的最近邻图像集中每个标签出现的频率分布均衡。在Corel5K数据库中的实验结果表明,与目前最近邻图像标注中表现最好的算法之一的2PKNN方法相比,本文基于视觉-语义分布式词向量的图像标注方法虽然平均查准率降低了5.9%,标签召回数减少了10个,但其平均查全率和平均数分别提升了4.2%和1.3%。2、提出一种图像非负矩阵分解的多视角一致处理方法。基于非负矩阵分解与概率潜在语义分析的一致性,对图像非负矩阵分解中的多个视觉视角和语义视觉进行一致性聚类。利用该聚类一致性,在最近邻图像集中将图像的视觉特征和标签特征联系起来进行标签传播,解决了标签传播中图像的视觉和语义的潜在关系未能得到充分挖掘的问题。同时,基于测度学习提出一个更合理选择最近邻图像的方案。针对原始数据库的标签缺失问题,提出一个基于标签上下文相关性的标签自扩展算法对标签进行扩展。在Corel5K数据库的实验中,与目前最近邻图像标注中表现最好的算法之一的2pKNN算法对比,本文基于多视角非负矩阵分解的图像标注方法虽然平均查准率降低了1.3%,标签召回数少了8个,但其平均查全率和平均数分别提升了5.2%和1.6%。(本文来源于《华南理工大学》期刊2018-04-16）
钟福平[4]（2017）在《基于最近邻模型的图像标注中标签传播和标签修正问题的研究》一文中研究指出互联网中图像资源的爆炸式增长催生了高效的图像检索技术。自动图像标注是图像检索领域的关键问题,它根据图像的视觉特征和语义标签之间的映射关系来给图像添加标签。其中,给图像标注符合其语义内容的标签是图像标注的难点。本文研究基于最近邻模型的图像标注方法,着重针对最近邻图像的标签传播和标签修正两方面的问题展开研究。主要工作包括:1、针对图像的视觉特征和标签的潜在关系在传统的基于最近邻模型的图像标注方法中未能得到充分挖掘的问题,提出了一种基于多视角非负矩阵分解(Multi-view Non-negative Matrix Factorization,MultiNMF)的标签逆向重构方法,利用MultiNMF分解的聚类特性可以将图像的视觉特征和标签特征联系起来。首先,基于Multi NMF分解在图像视觉特征和标签特征上的一致聚类特性,利用基于MultiNMF分解的标签传播方法实现标签传播过程;其次,基于TF-IDF(Term Frequency–Inverse Document Frequency)能够衡量标签在图像库中重要性的特点,运用TF-IDF对测试样本的标注词概率进行修正;最后,基于最近邻图像间相似关系的可逆性,采用基于正反向筛选的方法选择测试样本的最近邻图像。在Corel 5K数据库中的实验结果表明:和未经测度学习的2PKNN算法相比,基于Multi NMF分解的图像标注方法的平均查准率降低了1.3%,标签召回数减少了19个,但其平均查全率和平均数分别提升了3.2%和0.8%。2、针对图像库中低频标签标注准确率偏低的问题,提出了一种改善低频标签标注结果的图像标注方法,利用图像标签之间语义共生的非对称性关系可以提升低频标签的标注结果。首先,基于标签语义共生的不对称性能有效衡量标签间的相互关系,利用基于语义共生不对称性的随机游走模型的标签修正方法对由基于最近邻模型的图像标注方法得到的标签概率进行修正;其次,基于图像视觉特征和标签的约束性关系可以指导标签的完善过程,采用基于多约束的标签完善算法对图像库中图像的原始语义标签进行丰富。在Corel 5K数据库中的实验结果表明:本文方法得到的低频标签的各项标注指标均优于传统的标注方法,和未经测度学习的2PKNN算法相比,本文方法的平均查准率、平均查全率以及平均数分别提高了1.2%、2.7%和1.9%,标签召回数提高了5个;同时,本文方法在全部标签中的平均查准率、平均查全率以及平均数分别提高了1.5%、3.3%和2.3%,标签召回数提高了8个。(本文来源于《华南理工大学》期刊2017-04-17）
田枫,刘卓炫,尚福华,沈旭昆,王梅[5]（2016）在《基于语境相关图传播的图像标注改善方法》一文中研究指出提出一种图像标注改善方法,利用数据集蕴含的语境相关信息进行标注改善。构建标签相关图和视觉内容相关图,利用正则化框架将标注改善问题描述为两个无向加权图上的损失函数最小化问题。采用数据分割,逐次优化和放松约束的策略,获得该问题的近似解。该方法充分利用标签的语境相关信息和图像内容相关信息,对数据集分割的粒度具有较好的鲁棒性,具备近似线性的时间复杂度。测试结果表明,该方法适用于大规模数据集,性能优于其它对比方法,可以较大幅度的提升图像标注性能。(本文来源于《山东大学学报(工学版)》期刊2016年05期）
孙沁瑶,谢涛,于重重,马萌[6]（2016）在《图像标签传播标注算法的研究》一文中研究指出为了提高图像检索的准确率,采用标签传播算法对图像进行自动标注。针对上述算法在样本数量不平衡的情况下标注效果不佳的问题,提出了改进策略。首先利用加权的K均值算法对图像按语义概念进行聚类,然后在相同的语义概念类中使用标签传播算法进行标注。同时还研究了语义标签之间的相关性度量方法,考虑了图像和标签集之间相关性及标签集内部相关性的影响,从候选标签集合中选择标签。实验结果表明,在样本数较多的情况下,改进后的算法的分类准确率优于传统的标签传播算法和SVM算法,并使用相关度度量方法取得较好结果,提高了图像检索的准确率。(本文来源于《计算机仿真》期刊2016年08期）
宗瑜,金萍,徐贯东,郭有强[7]（2013）在《面向标注的局部中心度传播聚类算法》一文中研究指出现有的标注聚类算法大多采用传统的K-means或Single-linkage算法对标注数据直接聚类,但是K-means或Sin-gle-linkage本身固有的缺陷严重影响了聚类结果的质量.给出了一种局部中心度传播聚类算法LCIPC(local centrality in-formation passing clustering),该算法首先在标注相似度的基础上建立标注数据的KNN有向邻居图G;然后利用核密度估计方法计算每个标注的局部中心度;再通过随机游走方法在图G中传播局部中心度,以产生全局中心度等级;最后,调用图深度优先搜索算法发现标注聚类结果.在3个真实数据集上的聚类结果显示,LCIPC算法具有够获得高质量标注聚类结果的能力.(本文来源于《哈尔滨工程大学学报》期刊2013年04期）
张建明,闫婷,孙春梅[8]（2013）在《基于相关核映射线性近邻传播的视频语义标注》一文中研究指出针对基于图的半监督学习方法在多媒体研究应用中忽略视频相关性的问题,提出了一种基于相关核映射线性近邻传播的视频标注算法。该算法首先通过核函数按照半监督学习调整后的距离计算出迭代标记传播系数;其次利用传播系数求得表示低层特征空间的样本,再根据视频相关性建模构造出语义概念间的关联表;最后完成近邻图的构造,并利用已标注视频信息迭代传播到未标注视频中,完成视频标注。实验结果表明,该算法不仅可以提高视频标注的准确度,还能弥补已标注视频数据数量的不足。(本文来源于《计算机应用研究》期刊2013年02期）
任晓娟[9]（2008）在《基于改进标注传播算法的半监督资源分类》一文中研究指出随着网络信息容量日益增多,对信息进行分类变得越发重要。所以需要一个好的自动分类算法能在使用尽量少的人力的同时达到好的分类效果。半监督学习近年来成为一个热门的研究领域越来越受研究者的重视和青睐,它能在使用少量人力的同时保证学习的质量,所以在理论和实践上都很受关注。本文主要研究了半监督学习中的标注传播算法,并对其进行了改进,使得改进后的算法能识别数据中的噪声点。把原来的标注传播算法和改进后的算法进行了比较,实验表明改进后的算法能有效的避免把噪声数据错误分类为常规数据。最后将改进的标注传播算法应用于网络教育资源管理系统(NERMS)中,该分类算法既可以对系统中的资源进行有效的分类,又可以识别其中的噪声点,有效的帮助管理员进行资源主题类别的管理,取得了良好的效果。(本文来源于《吉林大学》期刊2008-04-01）
标注传播论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着数据采集设备与建模技术的进步,如何高效地对叁维模型进行分析与检索,成为目前几何处理领域的研究热点。当前,有许多工作都集中在模型的分类上,但是大多仅能处理单一标签。在处理多标签问题时,不仅耗费大量时间还忽略了标签之间和样本之间的关联关系。针对该问题,提出了采用多标签传播的叁维模型标注方法。其核心在于利用标签相关性与样本之间的关联关系探索到整个样本空间的多标签标注潜力。具体来说,给定一小部分样本的多标签信息,再将多标签信息通过这些标注样本传播到空间中无标注的样本之上。传播的过程主要依靠迭代融合标签信息与动态度量,充分考虑了标签之间与样本之间的关联关系,最终得到整个空间的标注结果。在一些叁维模型的标准数据集上(如普林斯顿形状标准模型数据库)进行实验测试,结果证明,只需要少量的交互就能快速地得到较为精确的结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
标注传播论文参考文献
[1].曹进,梁海英.网络语言模因扩散与传播地图标注研究[J].外国语言文学.2019
[2].丁珩珂,吴子朝,王毅刚.采用多标签传播的叁维模型标注方法[J].计算机工程与应用.2019
[3].蔡少芝.图像标注中基于视觉和语义一致性的标签传播及其标签均衡方法[D].华南理工大学.2018
[4].钟福平.基于最近邻模型的图像标注中标签传播和标签修正问题的研究[D].华南理工大学.2017
[5].田枫,刘卓炫,尚福华,沈旭昆,王梅.基于语境相关图传播的图像标注改善方法[J].山东大学学报(工学版).2016
[6].孙沁瑶,谢涛,于重重,马萌.图像标签传播标注算法的研究[J].计算机仿真.2016
[7].宗瑜,金萍,徐贯东,郭有强.面向标注的局部中心度传播聚类算法[J].哈尔滨工程大学学报.2013
[8].张建明,闫婷,孙春梅.基于相关核映射线性近邻传播的视频语义标注[J].计算机应用研究.2013
[9].任晓娟.基于改进标注传播算法的半监督资源分类[D].吉林大学.2008