圖像相對屬性學習方法研究.pdf

1、隨著計算機科學技術(shù)的快速發(fā)展，人們獲取和發(fā)布信息的能力和渠道得到了極大的提升和拓展。海量的數(shù)據(jù)在極大豐富人們資訊的同時，也給信息的組織、查找和分析帶來了挑戰(zhàn)。有效的圖像內(nèi)容理解技術(shù)已成為眾多應(yīng)用領(lǐng)域的迫切需求。屬性作為一種溝通底層特征與高層語義的中間橋梁，已經(jīng)被廣泛應(yīng)用到目標識別、圖像分類、檢索等多個領(lǐng)域。屬性包括二值屬性和相對屬性。二值屬性對圖像的描述具有局限性，不能精確地描述圖像的內(nèi)容，而相對屬性是對二值屬性的一種擴充和細化，刻畫了

2、一種視覺性質(zhì)的強度譜，提供了圖像目標較準確的信息。例如，在自然圖像的描述中，哪個場景是“更開闊的”;在商品圖像描述中，哪件商品是“更休閑”的。提高相對屬性學習的精度，奠定其在應(yīng)用中的基礎(chǔ)，是目前的研究熱點。本文主要圍繞相對屬性學習中圖像對的標簽信息挖掘和關(guān)鍵特征保留兩個方面，進行了如下研究:
　　(1)在相對屬性學習時，需要圖像對的標簽信息。但是，在現(xiàn)實情況中，圖像對的標注是一個費時費力的過程。針對標簽信息少的情況，本文提出了一種

3、基于組稀疏的半監(jiān)督相對屬性學習方法，可以自動地挖掘圖像對的標簽信息。首先，少量的標注樣本按照屬性的強弱被分組，并作為組稀疏學習中的字典。然后，對未標注的樣本進行稀疏分類。半監(jiān)督學習的過程就是在每次迭代中，挑選出重構(gòu)誤差最小的未標注樣本，按照組之間的相對關(guān)系，生成圖像對的標簽信息，加到模型中。本文在三個公開的數(shù)據(jù)庫（OSR、PubFig、 Shoes）中驗證了方法的有效性，并和主動學習方法進行了比較。實驗表明，本文所提出的方法在效率和精度

4、方面有一定的優(yōu)越性。
　　(2)在相對屬性學習時，需要利用提取的特征，但是特征中存在著不利于屬性學習的信息，不是每一維的特征對相對屬性學習都起到了正面作用。針對這個問題，本文提出了一種基于重排不等式的關(guān)鍵特征保留方法。本文假設(shè)，用關(guān)鍵特征學習的模型和用原始特征學習的模型對圖像樣本的排序是基本吻合的?；谶@個假設(shè)，本文建立了關(guān)鍵特征保留方法的數(shù)學模型，并對模型進行了求解。本文在三個公開的數(shù)據(jù)庫(OSR、LFW-10、UT-Zap50