图集合两种代表图的比较与多媒体文档检索研究
在图处理和多媒体文档检索领域,有许多关键的算法和方法,下面将详细介绍图集合中中位数图和重心图的计算方法,以及多媒体文档检索中的相关模型。
图集合中中位数图的计算方法
在计算广义中位数图时,有三种主要的算法:
-
线性插值过程(Linear Interpolation Procedure)
:计算出中位数向量 $\overline{p}$ 后,选取两个最接近的点 $p_1$ 和 $p_2$ 来得到近似中位数。近似广义中位数图 $\tilde{g}$ 是 $g_1$ 和 $g_2$ 的加权平均值,其中 $a = \frac{1}{2}d(g_1, g_2)$,该算法称为线性嵌入(MLE)。
-
三角测量过程(Triangulation Procedure)
:选择距离 $\overline{p}$ 最近的三个点来计算近似广义中位数图。先使用其中两个点生成一个中间加权平均值,然后再结合第三个点和之前的中间加权平均值进行最终的加权平均计算。该过程称为三角测量嵌入(MTE)。
-
递归过程(Recursive Procedure)
:考虑集合 $S$ 中的所有点(即所有图),该算法称为递归嵌入(MRE)。
重心图的计算
在欧几里得空间中,重心具有特定的几何性质。给定一组点 $P = {p_1, p_2, \ldots, p_m}$,其重心 $Bar(P)$ 满足:
$Bar(P) = \arg \min_{y \in R^n} \sum_{i = 1}^{m} ||p_i - y||^2$
并且对于任意 $1 \leq j \leq m$,有 $Bar(P) = \frac{1}{m}p_j + \frac{m - 1}{m}Bar(P \setminus {p_j})$。
基于此性质,可以将其应用到图的领域。以下是近似重心图计算的算法:
Algorithm 1. 近似重心图计算算法
输入: 一个包含 $n$ 个图的集合 $S = \{g_1, \ldots, g_n\}$
输出: $\tilde{b} = S$ 的近似重心图
开始
B2 = WM(g1, g2, d(g1, g2)/2)
for 3 ≤ m ≤ n do
Bm = WM(Bm - 1, gm, d(Bm - 1, gm)/m)
Return $\tilde{b} = Bn$.
结束
该算法的输出是重心图的近似值 $\tilde{b} \approx \overline{b}$。这种近似的不准确性一方面是由于距离和加权平均值的次优计算导致的误差 $\epsilon(a)$,另一方面,理论上无法证明该算法能最小化平方和距离(SOSD),但实验结果表明该方法能得到较小的 SOSD。
不同的排序方案
在算法 1 中,图是按输入顺序处理的,没有进行排序。为了研究输入顺序对近似精度的影响,开发并实现了两种方法:
-
基于升序 SOSD 的排序(Ascendent SOSD–based sorting,BSA)
:将输入的图按 SOSD 升序排列,第一个图 $g_1$ 是具有最小 SOSD 的图,即集合重心。
-
基于降序 SOSD 的排序(Descendent SOSD–based sorting,BSD)
:图的排序顺序与 BSA 相反。
不进行数据预处理的方法称为无序重心计算方法(Unordered barycenter computation method,BN),同时也会计算集合重心(Set barycenter,SB)。
数据集及相关实验
为了比较中位数图和重心图作为图集合代表的质量,使用了三个基于真实数据和五个基于人工数据的数据集,部分数据集的特征如下表所示:
| 数据库 | 大小 | 类别数量 (#c) | 图的平均大小 ∅|g| | 图的最大大小 max|g| |
| ---- | ---- | ---- | ---- | ---- |
| LetterLOW | 2,250 | 15 | 4.7 | 8 |
| LetterHIGH | 2,250 | 15 | 4.7 | 8 |
| Molecules | 2,000 | 2 | 15.7 | 95 |
| Mutagenicity | 4,337 | 2 | 30.3 | 417 |
| Webpages | 2,340 | 6 | 186.1 | 834 |
| SyntheticSmall | 2,000 | 10 | 10 | 13 |
| SyntheticMedium | 2,000 | 10 | 50 | 62 |
| SyntheticLarge | 2,000 | 10 | 100 | 122 |
由于精确计算广义中位数图和广义重心图的成本过高,因此选择了一些次优算法进行实验,这些算法能处理包含数千个节点的图。不同方法的距离计算和加权平均计算次数如下表所示:
| 方法 | 缩写 | 距离计算次数 | 加权平均计算次数 |
| ---- | ---- | ---- | ---- |
| 中位数 | | | |
| 集合中位数 | SM | $O(n^2)$ | 0 |
| 线性插值嵌入 | MLE | $O(n^2)$ | 1 |
| 三角测量嵌入 | MTE | $O(n^2)$ | 2 |
| 递归嵌入 | MRE | $O(n^2)$ | $O(n)$ |
| 重心 | | | |
| 集合重心 | SB | $O(n^2)$ | 0 |
| 无序重心计算 | BN | $O(n)$ | $O(n)$ |
| 基于升序 SOSD 的排序 | BSA | $O(n^2)$ | $O(n)$ |
| 基于降序 SOSD 的排序 | BSD | $O(n^2)$ | $O(n)$ |
从时间复杂度来看,嵌入过程是计算广义中位数图时唯一可能适用于实际问题的方法,因为其计算需求较低。但嵌入步骤需要计算集合 $S$ 中所有图的两两距离,距离计算次数与图的数量 $n$ 呈二次关系。在所有重心计算算法中,都需要计算线性数量的加权平均值。其中,BSA 和 BSD 还需要计算二次数量的距离,而无序算法 BN 的距离计算次数与 $n$ 呈线性关系。由于图编辑距离的计算比加权平均值更耗时,因此 BN 方法是最快的。
多媒体文档检索
在多媒体文档检索领域,当前的信息检索(IR)系统处理多媒体文档时,可分为以下几类:
-
基于文本的图像检索(Text based Image Retrieval)
:仅使用与图像相关的文本信息(如文件名、图例、图像周围的文本等)对图像进行索引,而不考虑图像的内在特征。例如,主要的商业搜索引擎和一些专门的图像检索系统(如 Picsearch)都采用这种方式。
-
基于内容的图像检索(Content Based Image Retrieval,CBIR)
:仅使用图像的视觉内容(如局部颜色、形状或纹理特征)进行检索。例如,IBM 的先驱系统 QBIC 就通过基本的颜色、形状和纹理特征来检索图像。
为了结合文本和视觉信息进行多媒体文档检索,提出了一种多媒体文档模型。该模型使用词袋方法,为每个模态(文本和视觉)使用一个向量来表示文档。给定一个多媒体查询,模型会结合每个模态的得分,并返回相关的检索文档列表。该模型旨在研究给予视觉信息相对于文本信息的权重对检索结果的影响,实验表明,通过学习这个权重参数可以提高检索结果。
下面是一个简单的流程图,展示了多媒体文档检索的基本过程:
graph LR
A[多媒体查询] --> B[文本信息处理]
A --> C[视觉信息处理]
B --> D[文本得分计算]
C --> E[视觉得分计算]
D --> F[得分结合]
E --> F
F --> G[返回相关文档列表]
综上所述,在图处理和多媒体文档检索领域,不同的算法和方法各有优劣,需要根据具体的数据集和应用场景选择合适的方法。
图集合两种代表图的比较与多媒体文档检索研究
算法性能分析
在算法性能方面,我们还需要进一步深入探讨。对于中位数图的计算,不同的嵌入方法在处理大规模图数据时表现出不同的特性。线性插值嵌入(MLE)和三角测量嵌入(MTE)在计算过程中,虽然距离计算次数为 $O(n^2)$,但加权平均计算次数相对较少,这使得它们在某些情况下具有一定的优势。而递归嵌入(MRE)虽然能考虑到所有的图,但加权平均计算次数为 $O(n)$,在图数量较多时,计算成本会显著增加。
对于重心图的计算,不同排序方案也会对结果产生影响。无序重心计算方法(BN)由于其距离计算次数与 $n$ 呈线性关系,且加权平均计算次数也为线性,因此在计算速度上具有明显优势。而基于升序 SOSD 的排序(BSA)和基于降序 SOSD 的排序(BSD)虽然能对图进行排序,但需要计算二次数量的距离,计算成本相对较高。
以下是不同算法在计算复杂度上的对比表格:
| 算法 | 距离计算复杂度 | 加权平均计算复杂度 | 整体计算复杂度 |
| ---- | ---- | ---- | ---- |
| MLE | $O(n^2)$ | $O(1)$ | $O(n^2)$ |
| MTE | $O(n^2)$ | $O(2)$ | $O(n^2)$ |
| MRE | $O(n^2)$ | $O(n)$ | $O(n^2 + n)$ |
| BN | $O(n)$ | $O(n)$ | $O(n)$ |
| BSA | $O(n^2)$ | $O(n)$ | $O(n^2 + n)$ |
| BSD | $O(n^2)$ | $O(n)$ | $O(n^2 + n)$ |
稳定性分析
部分方法(如 MRE、BSA 和 BSD)在计算过程中会产生 $n - 1$ 个中间近似值,最后一个作为最终结果。为了研究这些方法在计算过程中的稳定性,进行了实验。实验中,针对字母、分子、致突变性和网页数据库,计算了多个图集合的中位数图和重心图。具体来说,从每个数据库的每个类别中随机选择 50 和 100 个图组成集合,使用要评估的每种方法进行计算,每个实验重复 10 次。
以网页数据集为例,不同方法在计算过程中 SOD(Sum of Distances,距离总和)和 SOSD(Sum of Squared Distances,平方距离总和)的变化情况如下:
graph LR
A[开始] --> B[计算中间近似值 1]
B --> C[计算 SOD 和 SOSD]
C --> D{是否达到 n - 1 个中间近似值}
D -- 否 --> B
D -- 是 --> E[结束]
实验结果表明,计算重心图的方法表现出收敛趋势,而递归嵌入方法的变化更为不规则。
距离到原型分析
为了比较中位数图和重心图作为图集合代表的优劣,进行了另一个实验。使用 LetterLOW、LetterHIGH 和三个合成数据库,这些数据集都是通过扭曲初始原型创建的。在每个数据库中,使用表 2 中的每种方法计算不同大小集合(字母数据集为 50 和 100,合成数据集为 10、50 和 100)的代表图。每个数据库的每个类别考虑 20 个图集合,计算得到的近似值到原型的平均距离如下表所示:
| 数据集 | 方法 | 平均距离到原型 |
| ---- | ---- | ---- |
| LetterLOW | SM | [具体值 1] |
| LetterLOW | MLE | [具体值 2] |
| LetterLOW | MTE | [具体值 3] |
| LetterLOW | MRE | [具体值 4] |
| LetterLOW | SB | [具体值 5] |
| LetterLOW | BN | [具体值 6] |
| LetterLOW | BSA | [具体值 7] |
| LetterLOW | BSD | [具体值 8] |
| LetterHIGH | SM | [具体值 9] |
|… |… |… |
在 LetterLOW 和 LetterHIGH 数据集中,集合中位数和集合重心作为代表图与原型的距离相对较近,但根据定义,广义中位数图和广义重心图理论上应该表现更好,这说明在这些数据集上,使用的近似算法未能给出令人满意的结果。这些数据集的图节点较少,失真程度较高,嵌入技术计算的中位数图比重心图技术表现更好,表明中位数图对大失真具有更高的鲁棒性。
在合成数据库中,所有计算广义重心图的算法都优于集合中位数和集合重心。其中,BSD 方法在三个合成数据集中给出的代表图与原型的距离最近,而 BN 方法虽然计算速度快,但与其他重心计算方法的结果相似。
结论
通过对图集合中中位数图和重心图的比较,以及多媒体文档检索方法的研究,我们可以得出以下结论:
- 在图处理方面,重心图的近似计算可以比中位数图更快。重心图计算算法在计算中间解的过程中表现出较高的收敛性。
- 对于不同的数据集,中位数图和重心图作为代表图的优劣并不统一。对于失真程度不高的数据集,重心图能给出更好的代表图。
- 在多媒体文档检索中,结合文本和视觉信息的多媒体文档模型通过学习视觉信息相对于文本信息的权重参数,可以提高检索结果。
未来的研究方向可以包括进一步优化图计算算法,提高计算效率和准确性;探索更有效的多媒体文档检索模型,更好地融合文本和视觉信息;以及研究如何在不同数据集上更准确地选择合适的代表图计算方法。
总之,无论是图处理还是多媒体文档检索,都需要根据具体的应用场景和数据集特点,选择最合适的算法和方法,以达到最佳的效果。
229



被折叠的 条评论
为什么被折叠?



