秦莹华，李菲菲，陈 虬

(上海理工大学 光电信息与计算机工程学院，上海 200093)

近年来，随着互联网的快速发展和移动设备的不断普及，海量的图像数据每天由各类数码产品制作，并快速在网络上传播。如何有效管理和检索这些数据成为一项亟需解决的问题。

自动图像标注是图像检索领域一项基本和富有挑战性的任务。它利用已标注图像集或其他可获得的信息自动学习语义概念空间与视觉特征空间的关系模型,并用此模型标注未知语义的图像，即它试图在图像的高层语义信息和底层特征之间建立一种映射关系，因此在一定程度上可以解决“语义鸿沟”问题。自动图像标注本质上是一个多标签学习问题，不同于单标签图像分类。图像分类中每张图像只含有一个标签，这与现实世界中事物不符。

过去很多方法致力于人工提取图像视觉特征来改善图像标注性能[1-2]。卷积神经网络在2012年大规模视觉识别挑战中取得了突破性成果[3]，然而该方法仅考虑单标签分类。为了更自然地描述图像，采用卷积神经网络处理多标签图像就尤为重要。考虑到卷积神经网络需要大量的训练图像和收集大规模有标签数据集的困难，采用迁移学习的方法从ImageNet[4]分类任务中迁移已经训练好的中层参数到其他视觉识别任务中，例如Caltech256图像分类[5]，场景识别[6]和Pascal VOC对象和场景分类任务[7]。

1 模型结构与算法

1.1 模型结构

文献[3]的CNNs结构包含超过六千万个参数，直接从几千张图像中学习这些参数是很困难的。……