基于稀疏編碼和遷移學(xué)習(xí)的融合在圖像表示中的應(yīng)用研究.pdf

1、隨著大數(shù)據(jù)時(shí)代的來臨，每個(gè)人每天都要瀏覽不同種類的大量信息，而圖像這種標(biāo)新立異的信息表達(dá)方式，由于它的直觀性和容易理解等優(yōu)點(diǎn)，因此它的出現(xiàn)頻率很高，這就使得圖像的研究在人們的生活中日益重要。涉及到圖像的應(yīng)用領(lǐng)域有很多，如圖像標(biāo)注、圖像聚類、圖像檢索等，如何有效地解決這些技術(shù)中的關(guān)鍵環(huán)節(jié)，一個(gè)好的圖像表示變得至關(guān)重要。在圖像處理技術(shù)中涌現(xiàn)了很多圖像表示方法，包括低級(jí)表示和高級(jí)表示，而高級(jí)表示由于其在圖像理解上更接近人的視覺行為，因此得到廣

2、泛應(yīng)用，如主成分分析、稀疏編碼、非負(fù)矩陣分解以及低秩重構(gòu)等。然而，這些學(xué)習(xí)方法都是基于訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)服從同一分布的假設(shè)，對(duì)其進(jìn)行統(tǒng)一訓(xùn)練，導(dǎo)致學(xué)習(xí)得到的模型在測試集上泛化性能很低。并且由于在提取圖像的高級(jí)語義時(shí)，往往沒有考慮到現(xiàn)實(shí)圖像中存在的遮擋、腐蝕以及與語義表示無關(guān)的信息等問題，而是直接采用高斯分布來估計(jì)重構(gòu)殘差，因此使得模型魯棒性很低。
　　為了解決訓(xùn)練集與測試集分布不一致的問題，遷移學(xué)習(xí)作為一種新的機(jī)器學(xué)習(xí)方法誕生了。

3、針對(duì)圖像表示問題，遷移學(xué)習(xí)領(lǐng)域中提出一種基于特征表示的遷移學(xué)習(xí)方法，把服從不同分布的數(shù)據(jù)集映射到同一特征空間上，使得在新的特征空間下，不僅較好地描述了圖像的語義信息，還使得二者的分布差異大大縮小，從而解決了訓(xùn)練模型的泛化問題。遷移學(xué)習(xí)的這種新特性，不僅從人工智能的角度模擬了人的智能行為，還使得不同領(lǐng)域之間的數(shù)據(jù)不再相互獨(dú)立。在大數(shù)據(jù)時(shí)代下，不僅可以實(shí)現(xiàn)不同數(shù)據(jù)領(lǐng)域之間的知識(shí)共享，還能用已經(jīng)標(biāo)注好的數(shù)據(jù)所訓(xùn)練得到的模型去標(biāo)記新的數(shù)據(jù)，大大

4、節(jié)約了由于大量數(shù)據(jù)涌現(xiàn)耗費(fèi)的昂貴手工標(biāo)注成本。
　　其次，由于重構(gòu)殘差服從高斯分布這一假設(shè)并不能應(yīng)對(duì)日常生活中出現(xiàn)的各種異常情況，因此基于統(tǒng)計(jì)學(xué)中極大似然的思想，考慮通過調(diào)節(jié)重構(gòu)殘差的概率密度函數(shù)中的參數(shù)來擬合現(xiàn)實(shí)樣本，從而大大提高了模型的魯棒性。從模型學(xué)習(xí)的角度，引入一個(gè)噪聲矩陣自動(dòng)捕獲圖像中的無關(guān)信息，也可以大大減少其對(duì)圖像表示過程的干擾。從以上兩點(diǎn)出發(fā)，本論文在已有的基于特征表示的遷移學(xué)習(xí)方法的基礎(chǔ)上，提出了兩種不同的遷移學(xué)

5、習(xí)算法。本文的主要工作和創(chuàng)新點(diǎn)如下:
　　基于極大似然的思想，本文提出一種基于遷移魯棒稀疏學(xué)習(xí)的圖像表示方法。該方法通過引入一個(gè)權(quán)值矩陣來擬合現(xiàn)實(shí)樣本的殘差分布;在稀疏編碼的模型上學(xué)習(xí)圖像的高級(jí)語義;采用遷移學(xué)習(xí)中度量不同領(lǐng)域數(shù)據(jù)分布差異的方法，即最大均值差異矩陣，通過對(duì)其最小化來縮小在新的特征表示下二者的分布差異;利用圖拉普拉斯矩陣保留數(shù)據(jù)集的幾何特性。該方法的主要?jiǎng)?chuàng)新點(diǎn)在于:一是權(quán)值矩陣的引入，減少了異常點(diǎn)對(duì)編碼學(xué)習(xí)和字典學(xué)習(xí)

6、的影響;二是在魯棒字典學(xué)習(xí)的過程中，采用字典正則化參數(shù)代替原遷移稀疏編碼模型中的字典約束，從而將其轉(zhuǎn)化為無約束優(yōu)化問題，避免了拉格朗日求解法的復(fù)雜性。在幾個(gè)通用的遷移學(xué)習(xí)數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)結(jié)果證明了所提算法的有效性和魯棒性。
　　從模型學(xué)習(xí)的角度，同樣針對(duì)現(xiàn)實(shí)圖像數(shù)據(jù)中存在的異常問題，本文提出一種針對(duì)圖像表示的基于圖和聯(lián)合域適應(yīng)的遷移去噪稀疏學(xué)習(xí)。和本文提出的遷移魯棒稀疏學(xué)習(xí)模型處理異常點(diǎn)的方式不同，該模型通過引入噪聲矩陣來捕獲異