版權(quán)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(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、圖像分類的實(shí)質(zhì)性問題是識(shí)別圖像中的物體或目標(biāo),這就需要準(zhǔn)確的對(duì)圖像中的視覺信息進(jìn)行描述。局部信息由于其對(duì)背景細(xì)節(jié)、光照等外在條件的魯棒性使其成為目前特征表示的主流,尤其是在尺度不變特征變換以及基于尺度不變特征變換各種改進(jìn)算法出現(xiàn)之后。然而不同圖像局的部特征的個(gè)數(shù)往往不相同,不適于直接在局部特征上進(jìn)行分類和檢索等后續(xù)操作,因此在圖像的局部特征集合上需求統(tǒng)一的集合表示方法。
集合表示就是用一定的方法對(duì)圖像提取的所有局部特征點(diǎn)進(jìn)行操
2、作,形成一個(gè)矢量來表示該圖像。本文的主要工作和貢獻(xiàn)如下:
首先,本文從圖像的集合表示角度,詳細(xì)闡述了三種集合表示方法即詞袋模型、高效匹配核和局部聚合描述符,并且基于這三種集合表示方法在本文選定的數(shù)據(jù)庫上做了大量實(shí)驗(yàn),驗(yàn)證三種集合表示方法的分類性能。
其次,驗(yàn)證不同的聚類算法和聚類中心個(gè)數(shù)對(duì)最新提出的局部聚合描述符圖像集合表示方法適用性。本文根據(jù)聚類中心個(gè)數(shù)的選定方式和局部特征的分配方式的不同,選用K-means、仿射
3、傳播算法和高斯混合模型三種聚類算法。
最后,對(duì)局部聚合描述符提出自己的改進(jìn)方法。在本文全面研究了歸一化和pooling兩種操作對(duì)局部聚合描述符的作用和有效性。歸一化的方式選用power-law和L2范數(shù),pooling方法采用sum pooling、average pooling和廣義的max pooling。
PPMI、Caltech-101和Scene-15分別是關(guān)于動(dòng)作、物體和場(chǎng)景的數(shù)據(jù)庫,在這三個(gè)數(shù)據(jù)庫上驗(yàn)證
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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)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(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)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(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于圖方法的圖像集合表示與分類.pdf
- 基于重構(gòu)表示的人臉圖像表示與分類.pdf
- 基于內(nèi)容的圖像結(jié)構(gòu)表示和分類.pdf
- 基于稀疏表示的圖像分類方法研究.pdf
- 基于中層特征表示的圖像分類研究.pdf
- 基于稀疏表示的圖像目標(biāo)分類方法研究.pdf
- 基于稀疏表示的高光譜遙感圖像分類.pdf
- 基于稀疏表示分類器的極化SAR圖像地物分類.pdf
- 基于中層語義表示的圖像場(chǎng)景分類研究.pdf
- 基于權(quán)重協(xié)方差表示的圖像集分類.pdf
- 基于稀疏表示的面向?qū)ο髽O化SAR圖像分類.pdf
- 基于中層語義表示的圖像場(chǎng)景分類研究(1)
- 基于聯(lián)合稀疏表示的sar圖像分類方法研究
- 基于稀疏表示的高光譜圖像分類算法研究.pdf
- 基于聯(lián)合稀疏表示的SAR圖像分類方法研究.pdf
- 基于稀疏表示的圖像分類與目標(biāo)跟蹤研究.pdf
- 集合及集合的表示 a
- 基于深層特征學(xué)習(xí)和稀疏表示的SAR圖像分類.pdf
- 基于稀疏表示及上下文信息的PolSAR圖像分類.pdf
- 基于稀疏表示的高光譜圖像分類和解混方法研究.pdf
評(píng)論
0/150
提交評(píng)論