31、空间关系分类与受限领域信息检索技术解析

空间关系分类与受限领域信息检索技术解析

1. 符号对空间关系分类

为解决符号对空间关系分类问题，采用了两组不同的特征。
- 第一组特征 ：基于边界框的几何特征以及更新后的质心，同时考虑符号的布局（上伸、下伸和居中）。
- 第二组特征 ：基于边界框的分层分区构建的直方图。

在分类步骤中，运用了两种策略：
- 特征级融合 ：将两组特征合并为一个向量，供支持向量机（SVM）分类器判断关系的正确类别。
- 决策级融合 ：结合每个使用一组特征训练的单个 SVM 提供的后验概率估计。在该框架中，使用 LOGP 软融合规则来组合得分。

在从 HAMF 数据集中提取的带注释的空间关系子集数据集上对这些技术进行了评估。发现根据符号布局修改质心可提高识别准确性。引入新的空间直方图特征并与几何特征相结合，能增强系统性能，因为这些描述符可以捕捉符号边界框的相对位置和大小。两个 SVM 的得分分类融合实现了最佳分类率。不过，在不了解包含符号的完整数学表达式的情况下，对孤立符号之间的空间关系进行识别无法获得完美的识别结果。

以下是决策级融合分类的混淆矩阵：
| 真实情况 | 识别的空间关系 | | | | | |
| — | — | — | — | — | — | — |
| | 上方 | 上标 | 水平 | 内部 | 下标 | 下方 |
| 上方 | 97.77 | 1.28 | 0.94 | 0.01 | 0.0 | 0.0 |
| 上标 | 3