1、近年，隨著計(jì)算機(jī)技術(shù)、存儲(chǔ)技術(shù)、互聯(lián)網(wǎng)技術(shù)以及多媒體信息技術(shù)的快速發(fā)展，以及數(shù)碼產(chǎn)品的廣泛使用，網(wǎng)絡(luò)空間圖像數(shù)據(jù)呈爆炸性增長(zhǎng)。面對(duì)這些不斷增加的網(wǎng)絡(luò)空間圖像數(shù)據(jù)，如何有效地對(duì)其進(jìn)行瀏覽、檢索和管理，成為當(dāng)前多媒體內(nèi)容理解和計(jì)算機(jī)視覺(jué)領(lǐng)域面臨的一項(xiàng)亟待解決的研究問(wèn)題。
　　自動(dòng)圖像標(biāo)注(Automatice Image Annotation)技術(shù)，將關(guān)鍵詞或者相關(guān)文檔描述與圖像聯(lián)系起來(lái)，成為對(duì)大規(guī)模網(wǎng)絡(luò)空間圖像進(jìn)行有效索引、檢索、組

2、織和管理的一個(gè)重要途徑。然而，面對(duì)呈幾何級(jí)數(shù)增長(zhǎng)的網(wǎng)絡(luò)空間圖像數(shù)據(jù)，現(xiàn)有的自動(dòng)圖像標(biāo)注技術(shù)面臨著兩個(gè)關(guān)鍵問(wèn)題:一個(gè)是面對(duì)大規(guī)模網(wǎng)絡(luò)空間圖像，如何有效提高標(biāo)注效率，另一個(gè)是如何利用大量的無(wú)標(biāo)簽圖像來(lái)提升網(wǎng)絡(luò)空間圖像標(biāo)注的準(zhǔn)確度。
　　作為一種重要的手段，特征選擇在網(wǎng)絡(luò)空間圖像標(biāo)注中發(fā)揮著重要作用。近年，半監(jiān)督稀疏特征選擇成為特征選擇技術(shù)中一個(gè)研究熱點(diǎn)，它能夠更好的提高網(wǎng)絡(luò)空間圖像標(biāo)注的性能。本論文對(duì)現(xiàn)有半監(jiān)督稀疏特征選擇方法進(jìn)行了深

3、入研究，從稀疏表示理論、半監(jiān)督學(xué)習(xí)方法以及多視圖學(xué)習(xí)三個(gè)方面出發(fā)，提出了幾種新的半監(jiān)督稀疏特征選擇算法，主要的研究成果及貢獻(xiàn)包括:
　　(1)提出了一種基于l2，1/2矩陣范數(shù)半監(jiān)督稀疏特征選擇算法
　　對(duì)新近提出的稀疏性懲罰l2,p(0＜p≤1)矩陣范數(shù)進(jìn)行了深入研究，基于具有最好性能的稀疏性懲罰l2，1/2矩陣范數(shù)提出了一種新的半監(jiān)督稀疏特征選擇算法FSLG。l2,1/2矩陣范數(shù)不僅考慮了不同特征之間的關(guān)聯(lián)，同時(shí)具有更好

4、的稀疏性，使提取的特征更具判別性、更加稀疏，從而可以降低計(jì)算的復(fù)雜度，提高效率。本文給出了基于l2，1/2矩陣范數(shù)的半監(jiān)督稀疏特征選擇算法框架FSLG以及詳細(xì)的求解方法。將所提半監(jiān)督稀疏特征選擇算法FSLG應(yīng)用到了網(wǎng)絡(luò)空間圖像標(biāo)注任務(wù)中，提高了網(wǎng)絡(luò)空間圖像標(biāo)注的性能和效率。
　　(2)提出了一種基于Hessian正則化半監(jiān)督稀疏特征選擇算法
　　現(xiàn)有的半監(jiān)督學(xué)習(xí)方法中最具代表性的工作是基于圖拉普拉斯半監(jiān)督學(xué)習(xí)方法，然而拉普拉

5、斯正則化不具有很好的推斷能力，無(wú)標(biāo)簽數(shù)據(jù)的幾何結(jié)構(gòu)信息沒(méi)能被很好的利用。相對(duì)于拉普拉斯正則化，Hessian正則化可以使函數(shù)值隨著測(cè)地距離線性變化，更好的保持局部流形結(jié)構(gòu)，具有很好的推斷能力，因此，基于Hessian正則化的半監(jiān)督學(xué)習(xí)具有更好的學(xué)習(xí)性能。本文將Hessian正則化引入到半監(jiān)督稀疏特征選擇算法中，提出了基于Hessian正則化半監(jiān)督稀疏特征選擇算法HFSL，給出了算法的迭代求解方法，并將其應(yīng)用到了網(wǎng)絡(luò)空間圖像標(biāo)注任務(wù)，結(jié)果

6、表明所提HFSL算法能夠很好的提高網(wǎng)絡(luò)空間圖像標(biāo)注的性能。
　　(3)提出了兩種基于多視圖學(xué)習(xí)的半監(jiān)督稀疏特征選擇算法
　　目前大多數(shù)特征選擇方法都是針對(duì)單一視圖(Single-view)數(shù)據(jù)的，當(dāng)其面對(duì)多視圖(Multi-view)數(shù)據(jù)時(shí)，一般是將多視圖數(shù)據(jù)簡(jiǎn)單地串接為一個(gè)長(zhǎng)的特征向量進(jìn)行處理。然而，這種直接串接的方法不能充分利用多視圖之間的互補(bǔ)和一致性信息，同時(shí)忽略了不同視圖的物理解釋。近年，多視圖學(xué)習(xí)(Multi-vi

7、ew Learning)得到了廣泛關(guān)注及研究，多視圖學(xué)習(xí)可以很好的利用不同視圖之間的互補(bǔ)屬性和一致性。基于不同視圖之間的互補(bǔ)屬性，論文提出了多視圖Hessian半監(jiān)督稀疏特征選擇算法MHSFS，基于一致性提出了基于l2，1/2矩陣范數(shù)和共享子空間的半監(jiān)督稀疏特征選擇算法SFSLS，并分別給出了兩種算法的詳細(xì)求解過(guò)程。將所提基于多視圖學(xué)習(xí)的半監(jiān)督稀疏特征選擇算法應(yīng)用到了網(wǎng)絡(luò)空間圖像標(biāo)注任務(wù)，結(jié)果表明所提算法優(yōu)于現(xiàn)有的半監(jiān)督稀疏特征選擇算法