圖像分類中的局部多核區(qū)分特征學習.pdf

1、圖像分類是在語義層獲取視覺信息的重要手段，有著廣泛的應用價值。但在現(xiàn)實中圖像往往呈現(xiàn)出同類間的多樣性與不同類間的相關性，使得圖像分類仍然極具挑戰(zhàn)。利用局部多核學習技術學習多種視覺特征在當前分類任務下分類每一幅圖像所需的最優(yōu)組合，可以極大地減少同類間的多樣性，與不同類間的相關性對圖像分類的負面影響。而基于交替優(yōu)化的局部多核學習不僅具有可保證的計算復雜度，還能有效地防范局部模型的過匹配，因此，本文主要研究基于交替優(yōu)化的局部多核學習圖像區(qū)分特

2、征的方法，從設計新的形式化與優(yōu)化算法，結合分布特性的局部啟發(fā)式模型，及其在構建生物啟發(fā)式圖像分類模型中的應用這三個方面，深入系統(tǒng)地展開了以下四項研究工作：
　　1)在設計新的形式化與優(yōu)化算法的研究中，本文提出一種基于樣本級的交替優(yōu)化策略用于求解任意范數(shù)約束下的局部多核學習（即 S-LMKL）。算法上，S-LMKL在繼承交替優(yōu)化優(yōu)點的同時提供了一種直接求解局部核權值的策略。經(jīng)驗實驗上，與經(jīng)典的MKL與最新的局部學習算法相比，S-LM

3、KL在四類機器學習基準數(shù)據(jù)庫（UCI數(shù)據(jù)庫）與兩類場景圖像數(shù)據(jù)庫上能夠更有效地學習每一幅圖像的分區(qū)特征，且具有令人滿意的學習時間。
　　2)在設計新的形式化與優(yōu)化算法的研究中，本文提出一種基于半定規(guī)劃松弛技術進行任意范數(shù)約束下的局部多核學習策略（即 SDP-LMKL）。理論上，SDP松弛可保證這類非凸問題的強結果。算法上，SDP-LMKL在繼承交替優(yōu)化優(yōu)點的同時提供了一種直接求解局部核權值的策略。經(jīng)驗實驗上，在十個基準機器學習數(shù)據(jù)

4、庫（UCI數(shù)據(jù)庫）上的實驗與多種統(tǒng)計檢驗證明與經(jīng)典的MKL和最新的局部學習算法相比SDP-LMKL能夠更有效地刻畫每一樣本的多樣性，且在多種分類任務中具有更為魯棒的分類性能。
　　3)在結合分布特性構建局部啟發(fā)式模型的研究中，本文提出一種基于概率置信核（PCK）的局部多核學習算法（即PCK-LMKL）。PCK通過挖掘類別概率密度分布與類別預測置信間的關系，定義了基于概率預測的類別屬性間的相似性。該模型一方面更合理地刻畫了局部特性；

5、另一方面，預定義的概率密度函數(shù)保證了模型對測試數(shù)據(jù)的有效推廣。通過交替優(yōu)化學得的PCK-LMKL在十個標準機器學習數(shù)據(jù)庫（UCI數(shù)據(jù)庫）與兩個圖像分類數(shù)據(jù)庫上的經(jīng)驗實驗上取得優(yōu)于經(jīng)典的MKL與最新的局部學習算法的結果。
　　4)在構建生物啟發(fā)式圖像分類模型的研究中，本文提出一種分類任務引導的生物啟發(fā)式要點模型（即BT-gist）。通過對多分辨率空間布局特征引入PCK-LMKL，BT-Gist有效地模擬了人眼快速準確進行場景分類的兩