基于神經(jīng)反應(yīng)模型和稀疏表示的圖像分類算法研究.pdf

1、圖像分類是機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺領(lǐng)域中一個(gè)非常重要的研究內(nèi)容，在國防安全、工業(yè)信息化、醫(yī)學(xué)工程和互聯(lián)網(wǎng)科技等方面均有廣泛的應(yīng)用。由于圖像易受光照條件、拍攝角度、復(fù)雜背景、旋轉(zhuǎn)變換或尺度放縮等因素的影響，從而對圖像進(jìn)行分類是一個(gè)非常具有挑戰(zhàn)性的課題。因此，研究高效而具有魯棒性的圖像分類算法，具有重要的理論意義與實(shí)際應(yīng)用價(jià)值。
　　提取圖像具有代表性的特征，是圖像分類過程中的一個(gè)關(guān)鍵部分。為了從復(fù)雜的圖像中提取有效的圖像特征，以及克服訓(xùn)

2、練數(shù)據(jù)不足的現(xiàn)實(shí)問題，本文基于神經(jīng)反應(yīng)模型和稀疏表示方法，著重研究了具有魯棒性和區(qū)分性的圖像分類方法，提出了一系列算法，并取得了較好的分類效果。論文的主要內(nèi)容如下：
　　首先，本文提出了一種基于稀疏表示的神經(jīng)反應(yīng)算法。該算法是一個(gè)多層的結(jié)構(gòu)，試圖模擬人類大腦皮層中的視覺處理機(jī)制，通過交替進(jìn)行非負(fù)稀疏表示和最大化聯(lián)合操作來構(gòu)建。非負(fù)稀疏表示能夠提取圖像中的顯著特征，而最大化聯(lián)合操作使得模型對于平移等變換具有不變性。為進(jìn)一步提高算法的

3、性能，本文依據(jù)算法的結(jié)構(gòu)特點(diǎn)，還設(shè)計(jì)了兩種簡單而有效的模板選取方法。通過仿真實(shí)驗(yàn)，驗(yàn)證了該算法能大幅提高原始的神經(jīng)反應(yīng)模型的性能，并在復(fù)雜圖像的分類問題中取得較好的效果。
　　然后，通過引入ELM（extreme learning machine）的理論，本文提出了一種基于神經(jīng)反應(yīng)模型的多層結(jié)構(gòu)算法。該算法主要包含兩個(gè)階段，即多層的ELM特征映射階段和ELM學(xué)習(xí)階段。其中，多層的ELM特征映射階段是一個(gè)多層的結(jié)構(gòu)，它是以遞歸的方式

4、通過交替進(jìn)行特征圖構(gòu)建和最大化聯(lián)合操作來建立的。特別地，我們使用隨機(jī)生成的輸入權(quán)重構(gòu)建特征圖，且無需對權(quán)重參數(shù)進(jìn)行優(yōu)化調(diào)節(jié)，這使得模型的結(jié)構(gòu)更加簡單，有更高的計(jì)算效率。在ELM學(xué)習(xí)階段，本文提出了一種基于彈性網(wǎng)正則化約束的優(yōu)化模型，為ELM方法學(xué)習(xí)輸出權(quán)重，并相應(yīng)地設(shè)計(jì)了問題的優(yōu)化算法。彈性網(wǎng)正則化約束能夠?yàn)镋LM方法學(xué)習(xí)更緊致和有選擇性的輸出權(quán)重，這將有益于ELM方法的特征學(xué)習(xí)過程。實(shí)驗(yàn)結(jié)果顯示，與傳統(tǒng)的深度學(xué)習(xí)方法相比，該算法能夠在

5、獲得更高分類精度的前提下，花費(fèi)更少的計(jì)算時(shí)間。
　　最后，針對實(shí)際問題中訓(xùn)練數(shù)據(jù)不足的情況，本文提出了一種半監(jiān)督的基于圖正則化約束的稀疏表示算法。該算法能夠充分利用已標(biāo)記數(shù)據(jù)和未標(biāo)記數(shù)據(jù)的信息，學(xué)習(xí)未標(biāo)記數(shù)據(jù)的類別信息。學(xué)習(xí)得到的類別信息，不僅能夠保持與原始數(shù)據(jù)相同的流形結(jié)構(gòu)，而且具有較好的區(qū)分性，有利于對圖像進(jìn)行分類。為了充分挖掘未標(biāo)記數(shù)據(jù)中隱含的結(jié)構(gòu)信息，通過賦予鄰域內(nèi)未標(biāo)記數(shù)據(jù)額外的權(quán)重，定義了一種新的類間相似度矩陣和類內(nèi)相