随着移动服务和在线社交网络服务的飞速发展，每天都会在社交网络上生成并共享大量的移动图像。 这些图像的视觉内容包含许多用途的丰富知识，例如社会分类和推荐。 因此，近年来提出了移动图像标签以理解视觉内容并受到广泛关注。 在本文中，我们提出了一种新颖的云上移动图像标记方案，该方案首先通过汉明压缩感测将移动图像有效地传输到云中，从而将用于图像理解的大量计算转移到云中以快速响应。用户的查询。 在云上，我们设计了一个稀疏的熵框架，用于稳健地学习移动图像的语义内容，并在此基础上将相关标签分配给查询图像。 所提出的框架（称为基于最大熵的移动图像标记）对噪声和离群值非常不敏感，并且通过半二次优化技术进行了优化。 从理论上讲，我们的图像标记方法比平方损失，绝对损失，柯西损失和许多其他基于鲁棒损失函数的稀疏编码方法更健壮。 为了进一步理解该算法，我们还推导了其鲁棒性和泛化误差范围。 最后，我们在PASCAL VOC'07数据集上进行了实验，并通过经验证明了所提出的鲁棒的稀疏编码方法对于移动图像标记的有效性。
