視覺詞袋模型架構下的圖像分類算法研究.pdf_第1頁
已閱讀1頁,還剩125頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明: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,請進行舉報或認領

文檔簡介

1、圖像分類是計算機視覺研究的重要分支,其目的是根據(jù)圖像包含的視覺信息,將圖像劃分到其所屬的特定語義類別。圖像分類研究能夠實現(xiàn)對圖像內(nèi)容的自動理解,是實現(xiàn)圖像語義內(nèi)容自動提取的重要途徑,也是解決從圖像信息到人類語義之間“語義鴻溝”的主要手段。近十年來,視覺詞袋模型架構下的圖像分類算法取得了很大的成功,但仍然存在一些需要解決的難題:1)視覺字典的最佳表示方式至今沒有公論,不同的字典構造方法會影響圖像分類的性能;2)圖像特征的選擇、圖像特征提取

2、時的采樣策略、特征編碼方式等因素都會對分類性能產(chǎn)生較大的影響;3)隨著電子設備與互聯(lián)網(wǎng)的普及,圖像數(shù)據(jù)越來越豐富,數(shù)據(jù)規(guī)模越來越龐大,在圖像分類任務中亟需計算效率高、存儲代價小、分類準確度高的算法。針對上述難題,提出了下列圖像分類算法。具體研究工作與創(chuàng)新點如下:
  1.鑒于K均值聚類算法的聚類結果易受初始化過程影響,通過分析K均值聚類算法現(xiàn)有初始化過程的不足,提出了基于數(shù)據(jù)內(nèi)在空間局部密度關系的K均值初始化框架AIF-SLI。該

3、框架在數(shù)據(jù)局部密度高的區(qū)域內(nèi)選取初始聚類中心,并確保選取的初始聚類中心保持一定的距離,從而避免選取噪聲點或離群點。由于很難給數(shù)據(jù)密度準確定義,給出了基于t-近鄰和基于∈-鄰域的兩個AIF-SLI框架近似實現(xiàn)算法。實驗表明,提出的AIF-SLI框架具有:1)能夠高效地找到滿足初始聚類中心要求的數(shù)據(jù)樣本;2)有效地減少K均值的迭代次數(shù);3)對噪聲數(shù)據(jù)魯棒;4)易于實現(xiàn)等優(yōu)點。在圖像分類實驗中,AIF-SLI框架能夠獲取更具有判別性的視覺字典

4、,提高圖像分類準確度。通過進一步延伸,提出的AIF-SLI初始化框架可擴展為一般性的聚類算法,而不必拘泥于為K均值或其他聚類算法。
  2.鑒于不同尺度的特征編碼揭示圖像不同方面的視覺屬性,提出了一種多分辨率特征編碼方法。多分辨率特征編碼以自適應加權的方式組合多個小規(guī)模視覺字典下的特征編碼,從不同的分辨率角度獲取圖像的視覺信息,使其達到與單一大規(guī)模視覺字典下特征編碼具有相同甚至更高的圖像分類準確度,但計算復雜度更低且對存儲空間的需

5、求更少。為實現(xiàn)自適應組合,提出了一種改進的OPA(Online Passive-Aggressive)算法來獲取不同分辨率下特征編碼加權權值,并推導出求解加權權值系數(shù)的閉式解。同時,提出的多分辨率特征編碼方法可輕易地擴展到其它特征編碼策略,如軟編碼和稀疏編碼等。實驗表明,使用相同的字典構造和特征編碼方式時,提出的多分辨率特征編碼方法:1)能夠獲得與大尺度字典的視覺詞袋模型算法相同甚至更高的圖像分類準確度;2)處理相同規(guī)模的圖像數(shù)據(jù)所需計

6、算時間更短,消耗的存儲空間更少。
  3.鑒于多核學習算法的高計算復雜度,以及當前圖像分類的高效率需求,提出了兩個多視覺特征自主加權組合算法:基于中心化核配準和基于改進OPA的加權權值學習算法。提出的兩個算法在模型訓練階段預先依據(jù)視覺特征與圖像類別之間的相互關系賦予恰當?shù)臋嘀?,減少了多特征組合的計算復雜度。與多核學習算法相比,基于中心化核配準和基于改進OPA的加權權值學習算法在保持圖像分類準確度非常接近的情況下,所需的計算時間分別

7、只有多核學習算法的20%左右和10%左右。實驗結果證實提出的兩個算法在滿足確保圖像分類準確度的同時,提高了多特征組合的執(zhí)行效率,降低了基于核的機器學習算法計算復雜度。
  綜上所述,通過對視覺詞袋模型架構的視覺字典構造、圖像特征編碼以及模型訓練等方面深入研究,提出了上述若干圖像分類算法及實現(xiàn)。同時,設計了一系列驗證實驗證實:在公認的圖像分類數(shù)據(jù)集上,與當前主流的圖像分類算法相比,提出的算法獲得了更高的分類準確度,更低的計算復雜度和

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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權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。

評論

0/150

提交評論