面向圖像分類的分層稀疏表示方法研究.pdf

1、隨著計算機網絡和多媒體技術的迅速發(fā)展，圖像作為信息傳播的重要載體，使得人類對事物的認知趨于簡捷化。但面對海量圖像數(shù)據(jù)時，如何對其進行高效分析和管理，已經成為亟待解決的問題。圖像分類成為解決這類問題的基本途徑，并被廣泛應用于醫(yī)學圖像分析、基于內容的圖像檢索、網絡圖像搜索、基于手勢的人機交互界面及機器人視覺等方向。圖像分類中極具挑戰(zhàn)性的任務是如何使計算機準確分辨圖像各類間的相似性和類內差異性，而獲取有效的圖像表示則是其中的關鍵因素。因此，本

2、文將探索用于深度結構的訓練策略，圍繞圖像特征的提取過程，構建不同的分層稀疏表示模型。主要工作和創(chuàng)新點包含以下幾個方面：
　?。?）由于深度學習在計算機視覺和機器學習中的高速發(fā)展，特征表示對人工設計描述子的依賴正在減弱。而傳統(tǒng)的判別式字典學習算法依然采用基于尺度不變特征變換（Scale Invariant Feature Transform,SIFT）描述子的空間金字塔特征進行相應的稀疏編碼。因此，本文提出一種完全自動建立在圖像原始

3、像素基礎上的分層特征學習結構，利用帶有標簽一致性約束的K-SVD（Label Consistent K-SVD,LC-KSVD）算法對已獲取的圖像特征訓練判別式字典和最優(yōu)的線性分類器。針對不同類型的圖像數(shù)據(jù)集，該算法僅提取灰度或RGB類型圖像塊，在稠密采樣后，使用高效的正交匹配追蹤（Orthogonal Matching Pursuit,OMP）編碼器得到分層的稀疏表示。因為結合了分層特征學習和有監(jiān)督字典學習的優(yōu)勢，提出的算法明顯提高了

4、圖像分類準確率。
　?。?）針對非負正交匹配追蹤（Non-negative OMP,NOMP）的編碼效率問題，本文研究了快速非負正交匹配追蹤（Fast NOMP,FNOMP）并將其應用于基于分層特征學習的全尺寸圖像分類任務中，該算法可利用QR分解和系數(shù)迭代進行加速。將FNOMP與非監(jiān)督式的分層訓練方式進行結合后，僅利用gain-shape矢量量化作為字典學習方法，在稀疏編碼階段，F(xiàn)NOMP不僅明顯比NOMP編碼器更為高效，而且在圖

5、像分類準確率上優(yōu)于基于OMP的算法。實驗同時證明了該算法相對其它先進算法表現(xiàn)出更好的分類性能。
　?。?）針對在深度網絡中如何學習更優(yōu)的空間池化策略，本文提出了一種聯(lián)合可學習感受野的分層稀疏表示算法。該算法利用分類器與池化權重聯(lián)合優(yōu)化的方式構造池化算子，可獲得更加豐富的基于特征的池化區(qū)域集。通過分析取和、取平均和取最大值三種不同類型的預池化方法，并結合編碼階段的稀疏度，字典規(guī)模以及感受野尺寸等相關參數(shù)的討論，實驗結果證明了所提算法

6、在全尺寸圖像分類任務上的有效性。
　?。?）針對基于多核學習（Multiple Kernel Learning,MKL）的圖像分類具有高計算復雜度和有效性評價不一致的問題，本文提出了一種基于分層特征級聯(lián)的核稀疏表示算法。首先，該算法利用批量核正交匹配追蹤（Batch Kernel OMP,BKOMP）分別對概率密度函數(shù)梯度方向直方圖和空間金字塔特征進行單層的核稀疏編碼，然后將兩類低維核稀疏表示進行級聯(lián)，再通過基于核方法的KSVD（