基于部件對齊模型的細(xì)粒度分類方法研究.pdf

1、圖像分類問題一直是機(jī)器學(xué)習(xí)與計(jì)算機(jī)視覺領(lǐng)域的核心研究課題之一，但隨著計(jì)算機(jī)理論和圖像分類技術(shù)的不斷發(fā)展，一般級別的圖像分類已不能滿足人類日益增加的檢索分類需求，細(xì)粒度物體識別問題逐漸成為活躍的研究領(lǐng)域。視覺詞袋模型與深度卷積神經(jīng)網(wǎng)絡(luò)模型作為圖像分類中最為常用和有效的圖像分類方法，通過對局部特征的有效組合構(gòu)建高效的圖像特征，從而獲得高的分類準(zhǔn)確度。然而因局部特征表達(dá)視覺概念的局限性及特征表示與高級語義的鴻溝，一般圖像分類方法在處理細(xì)粒度分

2、類問題時(shí)因?qū)δ繕?biāo)細(xì)節(jié)區(qū)域的描述不足且不能捕捉目標(biāo)的結(jié)構(gòu)信息而不能獲得滿意的分類準(zhǔn)確度。
　　本文針對基于部件的細(xì)粒度圖像分類算法進(jìn)行研究，其主要工作內(nèi)容包含以下幾個(gè)方面:
　　(1)本文對細(xì)粒度圖像分類問題進(jìn)行研究，對其研究現(xiàn)狀與研究難點(diǎn)進(jìn)行分析。細(xì)粒度圖像分類對相同類別的不同物種個(gè)體進(jìn)行分類，其主要難點(diǎn)在于圖像巨大的類內(nèi)差異度和微小的類間差異性。為捕獲具有細(xì)節(jié)信息的區(qū)域，本文使用時(shí)間復(fù)雜度低的自動(dòng)部件分割算法實(shí)現(xiàn)基于部件的

3、圖像表示算法以獲得具有競爭力的分類準(zhǔn)確率。
　　(2)針對自動(dòng)部件分割算法存在的過分割現(xiàn)象與部件對應(yīng)關(guān)系不明確問題，本文提出基于部件的硬合并和基于邊緣的軟合并兩種細(xì)化分割算法。首先，以原始分割部件為基礎(chǔ)，將部件的連接性和距離性加入合并目標(biāo)函數(shù)，獲得細(xì)化部件來降低圖像表示的歧義。為了捕獲更具描述性的部件，利用像素的顏色與紋理特征，生成像素的超度量邊界圖譜，并將其融入部件細(xì)化的學(xué)習(xí)中，使部件具有更合理的邊緣輪廓?；诩?xì)化的分割部件，實(shí)

4、驗(yàn)獲得了更好的分類準(zhǔn)確度。
　　(3)本文研究圖切割算法在細(xì)粒度圖像上的局限性，提出基于超像素的圖前景背景分割算法。首先，使用高維特征空間的加權(quán)K均值算法完成像素聚類，獲得具有較準(zhǔn)確的目標(biāo)邊界與局部性質(zhì)的超像素。其次，以超像素為基礎(chǔ)，構(gòu)建層次化的區(qū)域樹并計(jì)算指定類別的圖像分割模板。通過圖像與分割模板的區(qū)域匹配，獲得圖像的前景分割。最后，應(yīng)用部件對齊算法獲得高辨識性的圖像表示實(shí)現(xiàn)高分類準(zhǔn)確率。該算法能夠準(zhǔn)確地捕捉圖像前景，有效地提高