一种基于语义分析的大数据视频标注方法.pdf

第4 8 卷第5 期 2 0 1 6 年1 0 月 南京航南 尿朊 J o u r n a lo fN a n j i n gU 空 n l V 航天大学学报 e r s i t yo fA e r o n a u t i c s8 A s t r o n a u t i c s V 0 1 4 8N o 5 O c t 2 0 1 6 D O I ：1 0 1 6 3 5 6 j 1 0 0 5 2 6 1 5 2 0 1 6 0 5 0 1 0 一种基于语义分析的大数据视频标注方法 崔桐徐欣 ( 中国电子科技集团公司第二十八研究所，南京，2 1 0 0 0 7 ) 摘要：提出一种基于S p a r k 计算框架的海量视频语义标注方法。将存储在H a d o o p 分布式文件系统( H a d o o p d i s t r i b u t e df i l es y s t e m ，H D F S ) 上的海量视频部署到若干计算节点上，依据分形特征实现镜头快速分割。提取样 本关键帧的颜色、纹理和分形特征向量，进行元学习策略训练，进而形成视觉词典。根据视觉词典对检测视频内 容进行分析，产生一系列能表征视频内容的视觉单词。根据重要程度，通过马尔科夫链按重要程度对视频的视 觉单词进行排序，并将排列结果作为该视频的标注。最后，从检测正确率、平均运行时间和扩展效能方面与传统 分布式计算模型进行了对比。 关键词：大数据；视频标注；语义分析；元学习 中图分类号：T N 9 1 5文献标志码：A文章编号：1 0 0 5 - 2 6 1 5 ( 2 0 1 6 ) 0 5 0 6 7 7 0 6 B i gD a t aV i d e oA n n o t a t i o nB a s e do nS e m a n t i cA n a l y s i s C u iT o n g ，X u X i n ( T h e2 8 t hR e s e a r c hI n s t i t u t e ，C h i n aE l e c t r o n i c sT e c h n o l o g yG r o u pC o r p o r a t i o n ，N a n i i n g ，2 1 0 0 0 7 ，C h i n a ) A b s t r a c t ：As e m a n t i ca n n o t a t i o nm e t h o di sp r e s e n t e df o rm a s s i v ev i d e o sb a s e do nS p a r kc o m p u t i n gr o o d e 1 T h e s em a s s i v ev i d e o sa r es t o r e do nH a d o o pd i s t r i b u t e df i l es y s t e m ( H D F S ) a n dd i s t r i b u t e dt os e v e r a 1n o d e s T h e s es h o ts e g m e n t a t i o n s i nv i d e o sa r er e a l i z e db yt h ef r a c t a ld i m e n s i o nm e t h o d a n dt h e nt h e k e yf r a m e so fv i d e os h o t sa r ee x t r a c t e db a s e do nc o l o rf e a t u r e s ，t e x t u r ef e a t u r e sa n df r a c t a lf e a t u r e s T h e f e a t u r e si ns h o t sa r et r a i n e du s i n gm e t a l e a r n i n gs t r a t e g y ，a n dc h a n g e dt ov i d e ow o r d sa n dc o l l e c t e di n t o t h ev i s u a lv i d e od i c t i o n a r y S ov i d e oc o n t e n ti sp r e d i c t e da n de x p r e s s e db ys e v e r a lv i d e ow o r d sa c c o r d i n g t ot h ev i d e od i c t i o n a r y T h e nt h ev i d e ow o r d sa r ea r r a n g e da c c o r d i n gt oi m p o r t a n c es e q u e n c eb yM a r k o v c h a i n sa n dt h ei m p o r t a n tw o r d sa r ed e s c r i b e da sv i d e oc o n t e n tp r e d i c t i o n C o m p a r e dw i t ht h et r a d i t i o n a l d i s t r i b u t e dc o m p u t i n gm o d e l ，t h eS p a r kc o m p u t i n gm e t h o di l l u s t r a t e st h es u p e r i o r i t yf r o mt h ec o r r e c t r a t e ，t h ea v e r a g er u n n i n gt i m ea n dt h ee x p a n s i o ne f f i c i e n c y K e yw o r d s ：b i gd a t a ；v i d e oa n n o t a t i o n ；s e m a n t i ca n a l y s i s ；m e t a l e a r n i n g 近年来，随着多媒体应用及社交网络的风靡， 视频数据呈现指数级别的爆炸式增长，如何高效检 索视频内容并标注，已成为大数据、机器视觉及多 媒体应用领域的研究热点。早期，视频标注大多采 用人工方法，费时费力，尤其面对海量视频，处理更 是十分困难。对此，国内外诸多学者将图像处理、 机器学习以及自然语言处理等技术结合起来，采用 有监督学习方法卜4 1 进行视频自动标注研究。例 如，文献E s 尝试贝叶斯分类器对医疗教育视频中 的语义概念进行分类；文献 6 提出经典主动学习 基金项目：国家自然科学基金( 6 1 4 0 2 4 2 6 ) 资助项目。 收稿日期：2 0 1 5 1 0 0 1 ；修订日期：2 0 1 6 0 6 3 0 通信作者：崔桐，男，高级工程师，E - m a i l ：c u i t o n g s e u s i n a c n 。 引用格式：崔桐，徐欣一种基于语义分析的大数据视频标注方法 J 南京航空航天大学学报，2 0 1 6 ，4 8 ( 5 ) ：6 7 7 6 8 2 C u iT o n g ，X uX i n B i gd a t av i d e oa n n o t a t i o nb a s e do ns e m a n t i ca n a l y s i s J J o u r n a lo fN a n j i n gU n i v e r s i t yo fA e r o n a u t i c s A s t r o n a u t i c s ，2 0 1 6 ，4 8 ( 5 ) ：6 7 7 6 8 2 万方数据 6 7 8 南京航空航天大学学报 第4 8 卷 方法，按照最小化期望分类误差准则选择样本，进 而进行视频内容的预测；文献E 7 使用自适应支持 向量机进行跨域视频概念检测，使得分类器具备不 同测试域间的自适应能力。 上述方法在数据量不大、实时性要求不高的情 况下，能取得不错的效果。但对于海量视频，有限 资源无法支持大规模运算，这些方法的应用受到制 约。近年来，新兴大数据技术为海量视频标注提供 了一条有效途径，不但解决了大容量视频数据的存 储问题，而且，分布式计算也有利于视频语义的快 速分析。其代表性工具S p a r k 8 。10 是U CB e r k e l e y A M Pl a b 开源的并行计算框架，在机器学习处理 方面具有独特优势，特别适合解决多次迭代的视频 分析问题。因此，本文提出基于S p a r k 的视频标注 方法，利用其强计算能力，通过颜色、纹理、分形三 重特征表征一类实体，进而采用元学习策略进行训 练及预测。相对于传统分布式方法，该方法在标注 效能方面有较大提升。 1 分布式镜头分割计算 视频通常是由一系列镜头构成，镜头又由连续 拍摄且时间上连续的若干视频帧组成。为标注视 频，需将视频分割成多组镜头的集合，提取出能够 代表镜头内容信息的关键帧。因此，准确、快速地 检测出镜头边界对视频语义表达具有重要影响。 本文在S p a r k 分布式计算框架下，采用分形差 分盒法口u 进行视频分割。首先，转换视频数据格 式，将H a d o o p 分布式文件系统( H a d o o pd i s t r i b u t e df i l es y s t e m ，H D F S ) 上二进制的视频数据通过 输出流转换为S p a r k 可读取的数据，即通过函数 S p a r k C o n t e x t 将视频数据读取为S t r i n g 类型 R D D 。利用并行函数P a r a l l e l i z e 把视频切分为以 帧为单位的帧R D D ，并调用帧处理程序，将帧 R D D 数据并行分配到若干计算节点，通过S p a r k C o n t e x t 实现各个计算节点问镜头分割参数共享， 从而使整个视频的帧数据实现并行处理。 在每个计算节点上，对视频帧采用差分盒法计 算分形维度D ，定义第i 帧的分形维度为D ：，则第i 帧与第i + 1 帧的分形维度差可表示为，= JD 川一 D 。I 。在同一个镜头内，分形维度的帧差变化应在很 小范围内，镜头边界帧差应远大于帧前镜头的帧差 平均值和帧后镜头的帧差平均值。对于切变镜头， 迭代求解出最大帧差彤。，帧前镜头的帧差平均值 。，帧后镜头的帧差平均值f d 。一。；如果弘 2 * f d 。且。 2 * f d 。一。，则判定该帧是切变镜头 边界帧。对于渐变镜头，当渐变未被标记时，若 f d 。 2 * f & 且彤。 2 * f d a 。，则判定为渐变镜头边界的结束帧， 依此可将视频按照时问序列切分为若干镜头。 当视频处理完成后，视频每一帧均转化为 帧 序号 分形维度 弹性分布式数据集( R e s i l i e n t d i s t r i b u t e dd a t a s e t ，R D D ) 数据，返回S p a r k 主节点 的结果是一组时间序列临界帧( 即关键帧) 的帧号 和其帧R D D 数据。将该R D D 数据存储为关键帧 文件，该文件包含视频关键帧的属性信息，具体过 程如图1 所示。 图1分布式镜头分割计算流程图 F i g 1 F l o wc h a r to fd i s t r i b u t e ds h o ts e g m e n t a t i o n 2 视觉词典与视觉单词 视频标注是对视频数据进行处理、分析，并在 理解内容的基础上，进行标记注释的过程。本文在 S p a r k 集群上提取视频对象的颜色、纹理及分形特 征，通过元学习策略训练，形成视觉词典；并依据视 觉词典对关键帧进行预测，产生能表征该镜头的视 觉单词。 2 1 帧特征提取 选取实体对象的大量各异图片，提取其底层特 征，包括9 维颜色特征、8 维纹理特征、1 维分形维 度特征，组成1 8 维特征向量。其中，9 维颜色特征 包括3 个颜色分量，每个分量上3 个低阶矩；8 维 纹理特征考虑G a b o r 滤波器方向参数，可取0 。， 2 2 5 。，6 7 5 。，9 0 。，1 1 2 5 。，1 3 5 。，1 5 7 5 。等8 个方向 参数。由于分形维度能更好的表示图像特征，赋予 3 2 的较大权重，其他各维均匀赋予4 的权重， 组成属性均衡的特征向量，表征该对象的视觉特 征。将原始样本图片通过p i p e 函数分配到若干计 万方数据 第5 期 崔桐，等：一种基于语义分析的大数据视频标注方法 6 7 9 算节点进行特征提取，并将特征向量R D D 数据存 储到样本特征文件中，该文件包含实体对象的特征 信息。 2 2 构建视觉词典 元学习 1 2 1 是在学习结果的基础上，再进行学 习或多次学习得到最终结果的方法。在元学习中， 使用不同的特征描述集合，能够有效减少基分类器 输出结果的相关性，并使基分类器的错误相互独 立口3 。1 4 。同时，利用元学习实现算法自由参数的自 动调整，即通过学习过程中获得的经验对这些参数 进行修正和优化，从而提高学习算法的性能。 利用2 1 节中提取的样本特征，通过S p a r k C o n t e x t 函数将样本特征文件读取为R D D 数据， 并分配到若干计算节点。以支持向量机( S u p p o r t v e c t o rm a c h i n e ，S V M ) 、条件随机域( C o n d i t i o n a l r a n d o mf i e l d ，C R F ) 和最大熵( M a x i m u me n t r o P Y ，M E ) 作为基分类器，基于元学习方法对样本特 征向量进行训练，实体样本z i ( i 为样本序号) ，其 表征特征向量为V e c ( x 。) ，正确分类标识为l ( x 。) 。 通过上述3 种基分类器训练，分别获得基分类模型 M ，M ，。r 和M 。将3 种算法的预测结果 P ( z ：) ，P ( z ，) r c f ，P ( z 。) 。和V e c ( z 。) ，J ( z ：) 作为 元分类器样本T ，以S V M 为元分类器进行二次训 练，可得元分类模型M 。，如图2 所示。不同于基 分类器是将原始样本集作为输入，元分类器的样本 T 增加了基分类器的分类结果。样本集合T 中存 在3 类样本：( 1 ) 所有基分类器皆分类正确；( 2 ) 所 有基分类器皆分类错误；( 3 ) 基分类器结果存在矛 盾。元分类器并不是从各个基学习器中挑选最佳 学习器，而是对基学习器的结果进行“再学习”，对 基学习器错误的分类进行纠正，而对正确的分类加 以巩固，因此分类结果优于所有基分类器。训练得 到元分类模型M 。的表征X M L 文件，内含一个多 维向量，该向量表示该类特征向量的视觉单词，将 每个视觉单词与文字语义关联，使得每一个视觉单 词( X M L 文件) 都与其文字符号相对应，录入视觉 单词库。依此类推，对多种实体样本进行训练，进 而累积形成视觉词典。 2 3 视觉单词的预测 依据视觉词典，采用元学习策略对实体对象进 行预测。假设待测关键帧对象掣。，表征特征向量为 V e c ( q x 。) 。通过2 2 节所述3 种分类器预测，并将预 测结果Q ( x 。) ，Q ( x i ) r c f ，Q ( t ) 。和q V e c ( x i ) 输入 分类模型N 。，对照视觉词典中单词遍历预测是否 包含该单词内容，如图3 所示。一个关键帧中可能 包含一个或多个视觉单词，程序返回S p a r k 主机的 结果是帧号、视觉单词、对应文字符号组成的R D D 数据，将该数据存储为单词预测文件。 图2 基于S p a r k 的元学习训练过程 F i g 2M e t al e a r n i n gt r a i n i n gp r o c e s sb a s e do nS p a r k 图3 基于S p a r k 的元学习预测过程 F i g 3 M e t al e a r n i n gp r e d i c t i o np r o c e s sb a s e do nS p a r k 万方数据 6 8 0 南京航空航天大学学报第4 8 卷 2 4 视频标注组成 将视频中各关键帧对应的视觉单词进行汇总， 根据重要程度，通过马尔可夫模型 15 | ，对关键帧内 容进行评估，实现基于视觉单词的线性表达，从而 形成视频标注。 通过读取单词预测文件，利用R D D 中键值统 计函数R e d u c e B y K e y ，对每一关键帧所属视觉单 词进行统计。假设视觉词典一共包含N 个视觉单 词，则每个关键帧包含视觉单词的集合为W = W 1 ，W 2 ，w i ，w N ) ，1 i 州( 当包含该单词 时，W i 为1 ，否则为0 ) ，则k 个关键帧所包含的视 觉单词可组成转移矩阵M ，可表示为 W W ； W W i W ： W 初始化时，假定k 个关键帧中，每个关键帧对 视频内容重要性系数均为1 k ，则k 个关键帧组成 系数均为1 k 的志维列向量V 。当所有关键帧都 包含两个及以上视觉单词时，用V 。右乘转移矩阵 M ，可得 W ； W ； W W ： W 2 W 1 _ k 1 _ 一 k ： 1 _ _ k ( 2 ) 当关键帧只包含一个视觉单词时，为保证迭代 收敛，设定该视觉单词是视频内容的概率是口，则 V 2 = d V l V l + ( 1 - - a ) V 1 一 _ w j w ； W ； W i W ； w W ： W 2 W 1 _ k 1 _ k ： 1 _ _ k + ( 1 一口) 1 _ _ k 1 。 k ： l _ _ k ( 3 ) 经过咒次收敛的迭代，递归矩阵M Y 最终将 收敛为一个k 维向量，该向量中数值越大的元素表 示对应关键帧对视频内容表征越重要，其所含视觉 单词越能代表视频的内容。 3实验分析 实验采用大小为1T B 的视频集为实验对象， 主要来源于监控视频、世界军事等视频资料，包括 50 0 0 余个视频训练镜头和1 0 0 个测试镜头，每个 镜头时长5 1 0r a i n 不等。鉴于视频相邻帧之间 的关联性与相似性，实验中采用跳帧法，以提高运 行效率。选取视频帧底层特征，包括9 维的颜色特 征、8 维纹理特征和1 维分形维度特征，组成1 8 维 特征向量，赋予分形特征3 2 的权重，其他特征均 匀赋予4 的权重，从而构建该帧的视觉特征。 测试过程主要从检测正确率、运行效率和平台 扩展性3 个方面进行性能评估。检测正确率、运行 效率多与算法本身设计、迭代方式以及并行化实现 原理有关；平台扩展性则更多地体现并行化效能。 实验集群环境共2 2 台P C 机器，配置如表1 所示。 各机器上安装S p a r k 版本1 0 0 ，H a d o o p 版 本采用1 0 1 ，J D K 环境为0 p e n J D K1 7 06 4 位 版本。主要针对内存占用量配置，在S p a r k 框架中 每个结点的计算内存为2 0G ，提供计算数据以及 R D D 线性依赖关系存储所占用的空间。 表1 实验集群硬件配置 T a b 1 E x p e r i m e n t a lc l u s t e rh a r d w a r ec o n f i g u r a t i o n 3 I 视频分段解码 在视频解码过程中，运用S p a r k 框架，通过自 定义的I n p u t F o r m a t 接口读取视频文件，实现对于 视频文件分块读取及同步处理。在解码过程中， I n p u t F o r m a t 为解码程序提供容量固定的数据片 段( 实验中采用4M B 分片) ，分发到不同的节点 进行处理。对H D F S 中的数据分片F i l e S p l i t 进行 排序，使所有视频文件开头的第一个数据块最先读 取，并将包含视频解码必需的视频头信息作为后续 数据的固有前缀，以提高分片解码效率。如图4 所 示，假设一个视频文件有A ，B ，C 等多个数据块并 分布在H D F S 上，其中数据块C 是包含了视频文 件的头信息，通过数据块排序和分隔技术，将数据 块分割为D ，D 。，D 。等数据片，把视频头信息 盅鸯0 序圃L 船一陡 图4视频分段解码示意图 F i g 4 S c h e m a t i cd i a g r a mo fv i d e os e g m e n t a t i o nd e c o d i n g 1 1 Z l N l 阿旧M一 一M 阿旧w一 = VM y 万方数据 第5 期 崔桐，等：一种基于语义分析的大数据视频标注方法 6 8 1 读取并存于内存中，对每个数据分片添加视频头信 验。镜头分割的效果度量标准有查全率和查准率，其 息，整合后的数据分片可交由解码程序进行解码。 中：查全率一正确检测数( I T _ 确检测数+ 漏检数) ，查 3 2 正确率检测 准率= 正确检测数( 正确检测数+ 误检数) ，实验结 首先通过S p a r k 计算框架，结合分形差分盒法对 果如表2 所示，查全率达到9 7 以上，查准率达到 人脸、飞机、坦克和行人等4 类视频进行镜头分割实 9 0 以上，可以满足视频实体目标提取的要求。 表2 镜头分割实验参数 T a b 2 E x p e r i m e n t a lp a r a m e t e r so fs h o ts e g m e n t a t i o n 视频帧数镜头数检测数正确数漏检数误检数查全率 查准率 人脸 3 7 01 11 21 10 i 1 0 0 0 09 1 6 7 飞机 15 7 93 95 33 8139 7 4 39 2 6 8 坦克 19 2 26 78 16 5259 7 0 19 2 8 5 行人 10 7 43 74 23 6129 7 3 09 4 7 4 实验对每个镜头提取一副关键帧，进行颜色、 边界和分形特征进行提取，形成1 8 维特征向量，对 视频中的人脸、飞机、坦克和行人等4 类实体对象 进行训练并测试，将视觉单词在视频画面中进行标 定如图5 昕示， l lA1 9 ， A 一+ 蔓一- 【 一l l l l 9 AA rA 图5 视觉单词的标定 F i g 5 C a l i b r a t i o no fv i s u a lw o r d s 分类过程选取S V M ，C R F 和M E 为元分类 器，并采用高斯核S V M 为决策分类器。如图6 所 示，人脸、飞机、坦克和行人的检测正确率相对于文 献 3 提出的自适应S V M 方法分别提升了5 ， 7 和8 ，行人的预测精度提升了1 。 9 5 9 。 8 5 萋s 。 蔫7 5 7 0 6 5 6 0 人腧E 机H 兜仃人 H 标 幽6俭测止确率时比 F i g 6C o m p a r i s o no fd e t e c t i o na c c u r a c y 3 3 运行时间 迭代运行的元策略算法需要多次遍历数据集， 每轮的迭代运行开销很大程度上决定了算法运行 的总体时间。但由于迭代时间不宜统计，且与物理 机性能关系密切。因此，在对比S p a r k 框架与M a p R e d u c e 框架实现算法时，对比了在相同数据量运 算条件下，运行总时间的差别，从中能够很明显地 查看出S p a r k 执行时间上远小于M a p R e d u c e ，如 表3 所示。 表3 运算时间 T a b 3 O p e r a t i o nt i m e 3 4 扩展性 随着数据量的增加，M a p R e d u c e 框架和S p a r k 框架在运行效率上均表现出平稳性。为了对比 两者的线性扩展能力，利用1 6 2 2 个集群计算 节点，测试1T B 视频数据，比较M a p R e d u c e 框架 万方数据 6 8 2 南京航空航天大学学报第4 8 卷 与S p a r k 框架在不同节点数量下的加速比，如表 4 所示。 表4 平均运行时间 T a b 4 A v e r a g e r u n n i n gt i m e s 从表4 可以看出，当前该方法具有很好的水平 扩展能力。随着计算节点数的增加，投入任务更多 的计算资源，计算任务的运行时间可以呈现很明显 的下降趋势。加速比的结果反映了并行化实现的 效率提升情况，S p a r k 并行化实现方法能极大地提 高程序运行效率，性能得到显著的改进。 4 结束语 本文提出了一种基于S p a r k 的海量视频语义 标注方法，采用S p a r k 计算框架，实现对体量庞大 的非结构化视频数据进行分析，将海量复杂多源的 视频数据转化为机器可识别的、具有明确语义的信 息，进行视频标注。实验证明，相对于传统分布式 框架计算计算模型，这种方法具有迭代速度快，扩 展性能强等优点。 参考文献： 1 3 2 3 4 I s C h o r i a n o D o u l o sK ，G i a n n a k o sMN ，C h r i s o c h o i d e s N ，e ta 1 O p e ns e r v i c ef o rv i d e ol e a r n i n ga n a l y t i c s C P r o c e e d i n g so ft h e1 4 t hI n t e r n a t i o n a lC o n f e r e n c eo n A d v a n c e dL e a r n i n gT e c h n o l o g i e s A t h e n s ，G r e e c e ： s n ，2 0 1 4 ：2 8 3 0 L uS h i y a n g ，W a n gZ h i y o n g ，M e iT a o ，e ta 1 Ab a g o f - i m p o r t a n c em o d e lw i t hl o c a l i t y c o n s t r a i n e dc o d i n g b a s e df e a t u r el e a r n i n gf o rv i d e os u m m a r i z a t i o n J I E E ET r a n s a c t i o n so nM u l t i m e d i a ，2 0 1 4 ，1 6 ( 6 ) ： 1 4 9 7 15 0 9 M dN o o rN 。H a m i z a nNI ，A bR a h i mR T h ef r a m e w o r kf o rl e a r n i n gu s i n gv i d e ob a s e do nc o g n i t i v el o a d t h e o r ya m o n gv i s u a ll e a r n e r s C 2 0 1 3 I E E E5 t h C o n f e r e n c eo nE n g i n e e r i n gE d u c a t i o n K u a l aL u m p u r ，M a l a y s i a ：s n ，2 0 1 3 ：1 5 2 0 H u n gIC ，W e iCW ，C h e nNS D e s i g n i n gd y n a m i c s c a f f o l d i n gs t r a t e g yf o ri m p r o v i n gv i d e o b a s e dl e a r n - i n gi nag e s t u r ea n ds p e e c h - b a s e dl e a r n i n gc o n f i g u r a _ t i o n C P r o c e e d i n g so ft h e1 3 t hI n t e r n a t i o n a lC o n f e r e n c eo nA d v a n c e dL e a r n i n gT e c h n o l o g i e s B e i ji n g ， C h i n a ：I s n ，2 0 1 3 ：1 9 4 1 9 6 F a nJ i a n p i n g ，L u oH a n g z a i ，L iX i a o d o n g S e m a n t i c v i d e oc l a s s i f i c a t i o nb yi n t e g r a t i n gf l e x i b l em i x t u r e m o d e lw i t h a d a p t i v eE Ma l g o r i t h m i C - I P r o c e e d i n g s o ft h e5 t hA C MS I G M MI n t e r n a t i o n a lW o r k s h o po n M u h i m e d i aI n f o r m a t i o nR e t r i e v a l s N e wY o r k ， U S A ：s n ，2 0 0 3 ：9 - 1 6 6 D i n gY o u d o n g ，Z h a n gJ i a n f e i ，L iJ u n ，e ta 1 B a g o L f e a t u r em o d e lf o rv i d e os e m a n t i ca n n o t a t i o n C3 P r o c e e d i n g so f6t hI n t e r n a t i o n a lC o n f e r e n c eo nI m a g e a n dG r a p h i c s H e f e i ，C h i n a ： s n ，2 0 1 1 ：6 9 6 7 0 1 7 3H u a n gTM K e r n e lb a s e da l g o r i t h m s f o rm i n i n g h u g ed a t as e t s ：S u p e r v i s e d ，s e m i s u p e r v i s e d ，a n du n s u p e r v i s e dl e a r n i n g M B e r l i n ，G e r m a n y ：S p r i n g e r - V e r l a g ，2 0 1 0 ：2 9 7 3 0 1 8 L i nX i u q i n ，W a n gP e n g ，W uB i n L o ga n a l y s i s i n c l o u dc o m p u t i n ge n v i r o n m e n tw i t hH a d o o pa n dS p a r k c P r o c e e d i n g so ft h e5 t hI E E EI n t e r n a t i o n a lC o n f e r e n c eo nB r o a d b a n dN e t w o r k & M u l t i m e d i aT e c h n o l o g y G u i l i n ，C h i n a ：I n s t i t u t eo f E l e c t r i c a la n dE l e c t r o n i c sE n g i n e e r s ，2 0 1 3 ：2 7 3 2 7 6 9 G uL e i ，L iH u a n M e m o r yo rt i m e ：P e r f o r m a n c ee v a l u a t i o nf o ri t e r a t i v eo p e r a t i o no nH a d o o pa n dS p a r k C H i g hP e r f o r m a n c eC o m p u t i n ga n dC o m m u n i c a t i o n s8 L2 013I E E EI n t e r n a t i o n a lC o n f e r e n c eo nE m b e d d e da n dU b i q u i t o u sC o m p u t i n g Z h a n g j i a j i e ，C h i n a ：R e s e a r c hG a t e ，2 0 1 3 ：7 2 1 7 2 7 1 0 姚远，梁志毅基于差分盒维数的空间目标图像分割 算法 J 计算机科学，2 0 1 2 ，3 9 ( 1 1 A ) ：3 5 9 3 6 2 Y a oY u a n ，