基于高斯分布建模的圖像分類方法研究.pdf

1、圖像分類是計算機視覺領(lǐng)域中最為重要和基礎(chǔ)的研究課題之一，在近幾十年里吸引了眾多研究者的關(guān)注。隨著圖像分類技術(shù)的快速發(fā)展以及人們對人工智能的強烈需求，以圖像分類技術(shù)為主導(dǎo)的產(chǎn)品已經(jīng)遍布人們的智能生活、安全防控以及醫(yī)療診斷等多個領(lǐng)域。但是由于現(xiàn)實生活中物體的種類繁多且變化多樣，加之在成像過程中多種外部噪聲因素的干擾，魯棒、精準(zhǔn)的圖像分類仍是一個非常具有挑戰(zhàn)性的任務(wù)。概率分布建模方法具有很強的表達(dá)能力，且對部分信息丟失和噪聲較為魯棒。然而，這

2、類方法因為具有特殊結(jié)構(gòu)和高復(fù)雜性的問題，導(dǎo)致其在圖像分類任務(wù)中的性能并不令人滿意。本論文的目標(biāo)是通過解決上述問題并充分利用概率分布建模的優(yōu)勢，研究一系列基于高斯分布建模的魯棒、精準(zhǔn)的圖像分類方法。為了實現(xiàn)這一目標(biāo)，論文的主要創(chuàng)新工作包括以下四個部分。
　　(1)充分考慮高斯分布建模的特殊結(jié)構(gòu)是此類方法能夠取得成功的關(guān)鍵。由于高斯分布所在空間形成了一個未知的黎曼流形，因此傳統(tǒng)線性空間上的運算不能直接應(yīng)用在高斯流形上。為了能夠合理有效

3、地利用高斯分布建模，論文研究并分析了高斯分布所在空間的結(jié)構(gòu)特性。為此，論文通過嚴(yán)格的數(shù)學(xué)證明揭示了高斯分布所在的空間具備一個李群結(jié)構(gòu)，并且基于李群理論提出了兩類新穎的高斯嵌入方法。這些嵌入方法在遵從高斯分布代數(shù)和幾何結(jié)構(gòu)的同時，可以將高斯分布映射到線性空問內(nèi)以便高效的處理。實驗結(jié)果表明，本文提出的高斯嵌入方法優(yōu)于現(xiàn)有的其他方法，這為論文后續(xù)利用高斯分布建模提供了理論基礎(chǔ)。
　　(2)有了對高斯分布所在流形空間的分析和認(rèn)識，提出了一

4、種基于高斯分布建模的無碼本模型。與現(xiàn)存的基于無碼本模型的圖像分類方法不同，該方法在利用高斯分布建模的過程中充分考慮了高斯分布的特殊結(jié)構(gòu)，同時將其嵌入到線性空間中進(jìn)行處理，從而實現(xiàn)了快速有效的分類。該方法即克服了主流的視覺詞袋模型中字典碼本帶來的限制，同時首次展現(xiàn)了這種基于高斯分布建模的無碼本模型與主流的視覺詞袋模型相比，同樣可以取得十分有競爭力的分類性能。同時，通過對提出的方法進(jìn)行實驗分析，得出重要結(jié)論:基于高斯分布建模的無碼本模型比視

5、覺詞袋模型對于局部特征更為敏感。
　　(3)由于基于高斯分布建模的無碼本模型對于局部特征更為敏感，因此在上述無碼本模型的基礎(chǔ)上，提出了一種魯棒近似無窮維高斯描述子。該高斯描述子首先通過使用深層卷積神經(jīng)網(wǎng)絡(luò)特征和明確的近似無窮維特征映射增強局部特征，考慮到使用的深層卷積神經(jīng)網(wǎng)絡(luò)特征通常是高維度且采樣數(shù)量較少，為此，提出一種全新的帶正則的最大似然估計法解決高維小樣本條件下高斯分布魯棒估計的問題。提出的魯棒近似無窮維高斯描述子明顯地提升

6、了基于高斯分布建模圖像分類方法的性能。該方法展示了高斯分布建模和深層卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的可能性，并且說明了魯棒估計在高維小樣本條件下對建模的重要性和必要性。
　　(4)魯棒近似無窮維高斯描述子表明，高斯分布建模與深層卷積神經(jīng)網(wǎng)絡(luò)結(jié)合可以顯著地提升高斯分布的表達(dá)能力。但是現(xiàn)有基于高斯分布建模的圖像方法在特征提取、高斯分布建模和分類器學(xué)習(xí)階段均采用獨立分離的處理方式，鑒于此，提出了一個全新的全局高斯分布嵌入神經(jīng)網(wǎng)絡(luò)，以端到端學(xué)習(xí)的方式將

7、一個高斯分布作為圖像表達(dá)嵌入到深層卷積神經(jīng)網(wǎng)絡(luò)中，從而達(dá)到了特征提取、高斯分布建模和分類器聯(lián)合優(yōu)化的目的。該方法將基于高斯分布的建模圖像分類設(shè)計成整體統(tǒng)一的框架，進(jìn)一步提升了基于高斯分布建模圖像分類方法的性能。
　　為了驗證上述方法的有效性，本文將它們用于多個圖像分類任務(wù)中，包括物體識別、場景分類、紋理/材料圖像分類、大規(guī)模圖像區(qū)域分類以及精細(xì)粒度圖像識別。在16個標(biāo)準(zhǔn)圖像數(shù)據(jù)集上(包括了超過百萬張來自千余類別數(shù)的自然圖像)的實驗