面向跨域分類的圖像視覺屬性學習方法研究.pdf

1、計算機視覺中的學習方法十分依賴于數(shù)據(jù)的表示方式。在圖像大數(shù)據(jù)的背景下，以更加直觀、高效的表示方式表示圖像模式是計算機視覺中一個重要的研究方向，視覺屬性是其中具有極大潛力的研究方向之一。近年來，計算機視覺中的視覺屬性在圖像理解、圖像分類和圖像檢索等領(lǐng)域的成功應用引起了研究者們的高度重視。雖然視覺屬性在計算機視覺不同領(lǐng)域中表現(xiàn)出巨大的潛力，但是目前存在視覺屬性標定較為困難，圖像視覺屬性數(shù)據(jù)不足等問題，成為限制視覺屬性廣泛應用的瓶頸之一。

2、r>　　為了克服上述問題，在有限視覺屬性標定的圖像數(shù)據(jù)的情況下，有效的將視覺屬性應用于其它圖像數(shù)據(jù)域上，本文基于遷移學習中的域適應學習算法，對圖像視覺屬性的學習方法展開研究，加強視覺屬性在跨域圖像數(shù)據(jù)上的應用效果。本文的主要工作如下：
　　首先，從視覺屬性數(shù)據(jù)集、底層視覺特征、中層的視覺特征和視覺屬性四個層面詳細總結(jié)了視覺屬性的學習基本框架過程。以層級抽象的角度，揭示了視覺屬性是對圖像信息的高度抽象這一特點。在此基礎(chǔ)上，本文通過詳

3、細豐富的定性化和定量化實驗，分析比較了視覺屬性在跨域后與底層視覺特征的語義分辨能力和分類能力。實驗表明，在語義分辨能力和分類能力上，低維度的視覺屬性相比于高維度底層視覺特征具有較大的優(yōu)勢。
　　其次，提出區(qū)分性子空間對齊的視覺屬性學習算法。區(qū)分性子空間學習算法將源域標簽信息融入子空間生成過程中，并基于源域信息生成目標域的偽標簽，通過區(qū)分性子空間的對齊減少源域和目標域之間分布的差異，減少域漂移的影響。最后通過實驗表明該算法能繼續(xù)保持

4、視覺屬性在新的圖像數(shù)據(jù)域的語義性，并能相比于未遷移之前能在一定在程度上提升視覺屬性的語義分辨能力和分類能力。
　　最后，受子空間對齊思想啟發(fā)，提出潛在稀疏子空間域適應視覺屬性學習算法。該算法將源域和目標域投影到潛在空間中，通過保持投影后數(shù)據(jù)的方差和最大化均值差異的約束，減少源域和目標域分布之間的差異，最終將結(jié)果反饋到學習得到的稀疏系數(shù)矩陣中。實驗表明該算法能進一步提升視覺屬性在跨域數(shù)據(jù)集上的語義分辨能力和分類能力，證明了該算法在視