d. 现在我们拥有了数据集中局部区域的标签,正如在引用【10】所讲的,带监督模式的哈希或许比非监督模式更高效一些,所以我们用已获得的标签来监督接下来的几轮哈希过程来改善哈希函数。
e. 我们重复步骤b-d直到所有区域都被标记或者重复次数达到预先设置的上限max-iter-num
f. 现在我们拥有了局部区域的标签,对一副单独的图片,把所有局部区域的标签联合起来就是它的标签。
g. 尽管上面的多尺度聚类标记过程能取得非常有效的标注,我们获得的标签仍含有一定的噪音。我们通过分解获得的标签矩阵成低阶精制矩阵和稀疏误差矩阵来改善图像的标签。
2.2动态多尺度聚类标记
图片3:多尺度聚类标记策略的流程图
在这一分段我们来讨论上文提到的如何用动态多尺度聚类分析法来人工标注每个桶中的局部图像。这里的多尺度聚类和以前的工作引文[11]是不一样的,在[11]中多尺度聚类是一种自动的方法来决定桶的数量和原型位置,而在我们的方法中它是一种递归分解聚类的策略直到次级聚类能被唯一的人工标记或变得太小。因为聚类可在不同尺度上被标注,我们称它为多尺度聚类标注,聚类的尺度规模也可由标注者来定。图片3就展示了多尺度聚类分析的流程图,下面是此过程的总结: