

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、隨著人工智能與計算機技術(shù)的迅速發(fā)展,紋理分類在醫(yī)療、衛(wèi)星、機器人等多個領(lǐng)域發(fā)揮越來越重要的作用,這些應(yīng)用涉及到人們生活中的各個方面。作為計算機視覺領(lǐng)域圖像分類任務(wù)中的研究重點,紋理分類一直以來受到了眾多研究者的關(guān)注。區(qū)別于一般圖像的分類問題,紋理分類處理的圖像更加具體,這使得不同紋理圖像之間的類間差異較小。由于尺度、角度、光照的變化,同類紋理圖像之間的類內(nèi)差異比較大。以上這些因素使得設(shè)計一個魯棒的紋理分類方法極具挑戰(zhàn)性。
由于
2、混合高斯模型(GMM)具有較強的表達能力,因此被廣泛地用于建模圖像特征,特別是用于建模紋理圖像?;贕MM圖像建模的紋理分類方法已經(jīng)在性能方面展示出了它的優(yōu)越性。該類方法主要包括兩個關(guān)鍵的組成部分:圖像的特征提取和GMM之間的距離度量。眾所周知,圖像特征描述子在圖像分類問題中扮演著至關(guān)重要的角色。隨著深度學(xué)習(xí)的崛起,深層卷積神經(jīng)網(wǎng)絡(luò)(CNN)廣泛地運用于圖像分類、圖像檢索以及語義分割等領(lǐng)域,并獲得了很好的效果。現(xiàn)有的基于GMM建模表示圖
3、像的方法中,特征提取階段往往都是使用傳統(tǒng)的基于手工設(shè)計的特征。受到卷積神經(jīng)網(wǎng)絡(luò)成功應(yīng)用的啟發(fā),本文首次提出了基于深層卷積神經(jīng)網(wǎng)絡(luò)特征的GMM建模用于圖像表達,同時廣泛評估并分析了多種圖像特征描述子的分類性能,包括兩種基于深層CNN的高級語義特征以及五種廣泛應(yīng)用于紋理圖像分類的基于手工設(shè)計的特征—灰度特征、Gabor特征、LBP、SIFT和協(xié)方差描述子。值得一提的是,評估多種圖像特征對基于GMM建模的紋理分類方法的影響在本文工作之前并沒有
4、得到充分的研究。對于建模之后的GMM之間的度量,本文采用了高效且魯棒的基于稀疏表示的推土距離(SR-EMD)算法。在SR-EMD算法中,兩個混合高斯模型中各個分量高斯之間的距離測度是度量算法的關(guān)鍵,然而這個問題依舊是一個困難且開放性的問題。本文首次將現(xiàn)有的距離測度系統(tǒng)地分為了兩大類:基于概率統(tǒng)計的距離度量和基于黎曼流形結(jié)構(gòu)的距離度量,并分析研究了這些距離之間的差異和聯(lián)系。基于分析不同距離測度之間的關(guān)系,并受到高斯嵌入距離(GE)和基于李
5、群的距離(PLG)的啟發(fā),本文提出了一種改進的高斯嵌入距離(IGE),提高了分類準確率的同時驗證了本文的重要結(jié)論。
本文在多個具有挑戰(zhàn)性的紋理圖像庫上評估了本文的方法,包括KTH-TIPS-2b、FMD和UIUC Material。實驗結(jié)果表明:本文提出的基于深層卷積神經(jīng)網(wǎng)絡(luò)特征建模的GMM具有非常強的表達能力。同時,利用基于深層CNN特征的GMM和本文提出的距離度量的方法在所有紋理庫上都得到了非常有競爭力的分類結(jié)果。除此之外
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于混合高斯模型的地板塊紋理分類算法研究.pdf
- 基于高斯混合模型分類的SAR圖像檢索.pdf
- 基于高斯混合模型的快速相干點漂移點集匹配算法.pdf
- 基于高斯混合模型林業(yè)信息文本分類的技術(shù)研究.pdf
- 基于高斯混合模型的圖像分割的研究.pdf
- 基于高斯混合模型的語音轉(zhuǎn)換方法研究.pdf
- 基于高斯混合模型的咳嗽音檢測研究.pdf
- 基于高斯混合模型的語種識別的研究.pdf
- 基于混合高斯模型的腦-機接口系統(tǒng)腦電信號的分類研究.pdf
- 基于高斯混合模型的運動目標檢測.pdf
- 基于高斯混合模型的說話人識別研究.pdf
- 基于高斯混合模型的說話人識別算法研究.pdf
- 基于高斯混合模型的語種識別技術(shù).pdf
- 基于混合高斯模型的說話人識別.pdf
- 基于高斯混合模型的語音轉(zhuǎn)換技術(shù)的研究.pdf
- 基于高斯混合模型的參數(shù)遷移聚類.pdf
- 基于混合高斯模型的視頻人體檢測研究.pdf
- 基于高斯混合模型的語音轉(zhuǎn)換技術(shù)研究.pdf
- 基于高斯混合模型的心音模式識別研究.pdf
- 基于混合高斯模型的運動目標檢測算法研究.pdf
評論
0/150
提交評論