基于稀疏編碼的半監(jiān)督圖像分類研究.pdf

1、多媒體技術(shù)的發(fā)展，使得每天都有海量圖像數(shù)據(jù)不斷產(chǎn)生。圖像分類作為數(shù)據(jù)組織的一種基本方法，一直在研究領(lǐng)域備受關(guān)注。圖像分類問(wèn)題可以概括為兩個(gè)大步驟:(a)首先就是要將視覺(jué)圖像表示為數(shù)值信息，即圖像表示;(b)然后針對(duì)所得的圖像表示，選擇合適的分類器進(jìn)行訓(xùn)練，最終得到圖像分類模型。圖像分類的這兩個(gè)步驟對(duì)分類的效果都有很重要的影響，兩者是相輔相成的。
　　本文從圍繞圖像分類的兩大步驟，展開(kāi)了對(duì)圖像分類問(wèn)題的研究。首先通過(guò)稀疏編碼技術(shù)和空

2、間金字塔匹配核模型進(jìn)行圖像表示。該方法將提取到的圖像的SIFT特征作為訓(xùn)練數(shù)據(jù)，來(lái)進(jìn)行過(guò)完備字典學(xué)習(xí)，然后運(yùn)用稀疏編碼技術(shù)，獲得每個(gè)SIFT特征基于字典的稀疏編碼重建系數(shù)，最后運(yùn)用空間金字塔匹配模型得到圖像的數(shù)值向量表示形式?；谠摲椒ǖ玫降膱D像表示，可以采用線性核分類器（比如線性支持向量機(jī)）進(jìn)行分類，使得分類模型的訓(xùn)練復(fù)雜度為O（n），預(yù)測(cè)階段的復(fù)雜度為常數(shù)級(jí)。采用傳統(tǒng)的圖像表示方法，只能采用非線性的SVM分類器才能達(dá)到較好的準(zhǔn)確率，

3、而非線性的SVM在訓(xùn)練階段的計(jì)算復(fù)雜度和空間復(fù)雜度分別為O（n3）和O(n2)，在預(yù)測(cè)階段的計(jì)算復(fù)雜度為O（n）。這使得在實(shí)際應(yīng)用中，數(shù)據(jù)量非常龐大的情況下，采用傳統(tǒng)的高復(fù)雜度的分類器是不可行的。
　　由于稀疏編碼空間金字塔模型所得到的圖像表示是高維空間中的稀疏向量，假設(shè)這些高維空間中的稀疏向量分布在一個(gè)低維流形上是合理的，基于這個(gè)假設(shè)，在分類階段本文進(jìn)一步引入了一種基于流形正則化的半監(jiān)督學(xué)習(xí)方法。該方法將未標(biāo)記數(shù)據(jù)的結(jié)構(gòu)信息作為

4、一個(gè)正則化項(xiàng)加入到傳統(tǒng)的分類器中，在分類學(xué)習(xí)的過(guò)程中探索數(shù)據(jù)本來(lái)的結(jié)構(gòu)，來(lái)提高分類器的性能。該方法在一定程度上解決了實(shí)際應(yīng)用中標(biāo)簽數(shù)據(jù)不足，通過(guò)融入未標(biāo)記數(shù)據(jù)信息來(lái)提高分類準(zhǔn)確率的問(wèn)題。另外在相同標(biāo)簽數(shù)據(jù)的情況下，該方法因?yàn)橛行У娜谌肓宋礃?biāo)記數(shù)據(jù)的信息，從而能夠獲得更高的分類準(zhǔn)確率。綜合這兩個(gè)步驟，本文最終給出了一種基于稀疏編碼空間金字塔匹配（Sparse coding Spatial Pyramid Matching，ScSPM）模型