土木工程监理的图像标注和R树指标优化方法

  本篇论文是一篇土木工程硕士论文范文，对于这些数据的索引和检索进行了优化，本文通过对 R 树的节点分裂方式进行了改进，提出了一种结合谱聚类的 SCS 节点分裂算法，在实验中展现了比对照方法更好的索引效率。同时，结合词向量方法的改进检索算法也有效提升了相比传统方法更好的检索查全率。 

  第 2 章  基于 Kmax 映射迁移的图像标注优化

  针对土木工程监理图像遇到的问题，本文主要针对其中的两点进行深入研究，一是考虑到土木工程监理现场的需求及小型化设备发展的趋势，对在保证图像标注效果下降低模型参数的相关工作进行了深入研究。二是针对复杂的土木工程监理图像，研究如何对其进行索引和检索效率的优化。首先，针对如何降低针对土木工程监理图像标注模型的参数量，本文对迁移学习相关领域进行了深入研究，现有的将模型进行压缩的方法中比较好的两种，一种是知识蒸馏，一种是基于注意力图的模型迁移。在图像处理实验中，基于注意力图的模型迁移方式展现了由于知识蒸馏的效果。考虑到现有的主流模型都是在成熟的图像分类模型上进行各种基于文本生成的优化，因此对图像分类模型进行优化更加具有可行性，因此本文主要基于注意力图进行模型迁移研究。本文基于对已有模型和注意力映射机制的研究，给出了基于 Kmax 映射的方式，在实际的图像分类实验中，其展现了相比于传统方法更好的结果。更重要的是，在本文对比实验中可以看出，相比于直接重新训练层数较少的模型，将多层模型的注意力图进行迁移能够让层数较少的模型取得更少的损失值。随后，针对这种迁移方式，本文将其应用到了图像标注模型上，在降低了一定权重的效果下，图像标注效果并没有损失较多。可以看出，本文相关工作在一定程度上降低了网络模型的参数量，提升了图像标注相对于土木工程监理的实用性。随后，针对标注过的土木共工程监理图像（图像数据包含了现场视频中提取的关键帧及照片）内容，考虑到其内容较为复杂，使用传统的索引方法无法对关键信息进行有效处理，同时在土木工程监理中，监理工程师会对重要的图像数据进行标注，这是一种可以利用的重要数据。基于这些原因，本文主要做了三个方面的工作，一是针对土木工程监理的图像，需要对其监理场景和监理对象进行基本的规范和划分。本文在相关监理工程师的协助下，参考土木工程监理行业的主要规范，给出了土木工程监理图像内容的基本语义划分。二是在此划分的基础上，本文基于这些划分将相关图像的标注进行了基于词向量的处理，并主要基于这些词向量数据对土木工程监理图像内容进行索引，考虑到词向量是高位数据，本文主要在 R 树的基础上对其索引进行了研究，给出了基于谱聚类优化的 R 树节点分裂算法，对 R 树节点分裂方式进行了优化，在实验中相比相关工作，在索引的时间上，有了一定程度的缩减。三是考虑到优化后的 R 树中索引结构主要基于词向量进行构建，其空间关系是包含了语义信息的，因此本文对 R 树的检索方式进行了针对性的优化，将检索语句转换成词向量数据，并设置一定的阈值扩充其检索区域，从而在实际的实验中，相对原始的 R 树检索方式有效提升了检索的查全率。 最后，针对上文给出的优化方法，本文在各自对应的数据集上进行了实验，在图像分类实验中，本文算法相对效果最好的对照算法有最高 1.6%的提升，在图像标注实验中，本文算法相对于对照算法在 CIDEr 指标上提升了约 0.7%，在其他指标上区别不大。在土木工程监理标注图像数据的索引上，本文算法相对于最优的对照算法有了最高约 11%的提升，在相应索引算法的基础上，本文基于词向量优化的检索算法相对于传统的 R 树检索算法在 4kb 页文件大小下有了最高13%的查全率提升。可以认为，本文的相关工作一定程度上改善了土木工程监理图像实际使用中的一些问题，为土木工程监理图像内容的高效使用打下了基础。 在完成本文相关的研究工作之后，本文结合领域相关的最新研究及针对本领域因为时间等原因未能继续的研究做出以下两点展望。 首先是可以尝试在模型迁移的过程中进行增强，主要是研究如何在模型迁移的过程融合多领域的知识，从而提升模型针对不同领域的识别能力。 其次是在索引和检索的过程中，可以结合最新基于神经网络模型索引及检索的研究，在本文中，考虑到模型和数据量的原因没有基于神经网络模型进行改进，但是在一些数据量较大的场景中，神经网络的索引和检索模型在某些方面存在优势，这方面还有较大的研究空间。