面向圖像檢索和分類任務(wù)的稀疏特征學(xué)習(xí).pdf

1、高維度和稀疏性是當(dāng)今機(jī)器學(xué)習(xí)研究領(lǐng)域的重要話題。圖像的稀疏表示是當(dāng)前信息科學(xué)飛速發(fā)展、圖像數(shù)據(jù)急劇增加的形勢(shì)下對(duì)圖像表示問(wèn)題的研究熱點(diǎn)。稀疏性能有效解決實(shí)際應(yīng)用中圖像這種高維數(shù)據(jù)在存儲(chǔ)容量、處理速度和數(shù)據(jù)本身的可解釋性等方面存在的問(wèn)題。為了適應(yīng)大規(guī)?；趦?nèi)容的圖像檢索和圖像分類任務(wù)的應(yīng)用需求，本文在提取圖像局部特征的基礎(chǔ)上，研究了無(wú)監(jiān)督的特征學(xué)習(xí)方法來(lái)獲得圖像的全局超完備稀疏表示，使之同時(shí)具備了全局特征和局部特征的優(yōu)勢(shì)。本文的主要研究工

2、作包括:
　　對(duì)圖像局部特征提取技術(shù)進(jìn)行綜述，介紹了一些有代表性的局部特征提取算法（包括特征檢測(cè)算子和描述算子），指出了局部特征的應(yīng)用場(chǎng)合，引出了本文的研究動(dòng)機(jī)。
　　針對(duì)圖像“局部特征集”表示在大規(guī)模圖像檢索和分類應(yīng)用中的局限性，研究了基于視覺(jué)詞袋(BoVW)模型的圖像稀疏表示方法，該方法以“特征量化”為核心思想，其關(guān)鍵技術(shù)包括基于聚類分析的視覺(jué)詞典構(gòu)造、基于向量量化技術(shù)的特征編碼等。
　　針對(duì)BoVW模型中特征量化

3、誤差較大的問(wèn)題，研究了基于稀疏編碼(SC)模型的圖像稀疏表示方法，該方法以“稀疏重構(gòu)”為基本準(zhǔn)則，其關(guān)鍵技術(shù)涉及超完備視覺(jué)詞典學(xué)習(xí)、稀疏分解和編碼集成等。
　　針對(duì)SC模型中稀疏性正則化函數(shù)不平滑及計(jì)算復(fù)雜度較高的問(wèn)題，研究了基于局部編碼(LC)模型的圖像稀疏表示方法，該方法以流形學(xué)習(xí)為理論基礎(chǔ)，用“局部性約束”替代稀疏編碼中的“稀疏性約束”，以“局部重構(gòu)”的方式實(shí)現(xiàn)了高效的特征編碼，形成圖像的稀疏表示。
　　綜合以上三種圖

4、像稀疏表示模型，建立并推廣了圖像稀疏特征學(xué)習(xí)的統(tǒng)一框架，探討了各種模型在此統(tǒng)一框架下的具體表現(xiàn)形式和實(shí)現(xiàn)方法，提出了一種基于圖像異質(zhì)局部特征的稀疏學(xué)習(xí)方法。
　　本文以基于內(nèi)容的圖像檢索和圖像分類任務(wù)為應(yīng)用背景，在ZuBud、UKBench、Caltech-101、Scene15等標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)上驗(yàn)證并評(píng)價(jià)了所研究的稀疏特征學(xué)習(xí)方法。
　　本文的主要貢獻(xiàn)在于:提出了一種基于譜聚類的視覺(jué)詞典構(gòu)造方法，譜聚類可在任意分布的樣本空間收

5、斂到全局最優(yōu)，避免了K-Means和HKM聚類算法對(duì)初始聚類中心敏感和局部最優(yōu)的問(wèn)題;提出了一種在優(yōu)化函數(shù)中施加“非負(fù)性約束”來(lái)增強(qiáng)圖像稀疏特征學(xué)習(xí)性能的策略，對(duì)標(biāo)準(zhǔn)稀疏編碼(SC)模型進(jìn)行改進(jìn)，建立了非負(fù)稀疏編碼(NNSC)模型，對(duì)局部編碼(LC)模型中的LLC編碼方法進(jìn)行改進(jìn)，提出了非負(fù)LLC(NNLLC)編碼方法;提出了一種改進(jìn)的基于向量差分運(yùn)算的局部編碼方法，即局部差分編碼(LDC)，僅用圖像局部特征的近鄰視覺(jué)單詞來(lái)構(gòu)造差分基向

6、量用于后續(xù)編碼，以保持其“局部平滑性”，將視覺(jué)單詞之間的關(guān)系融合到最終的特征編碼中;提出了一種改進(jìn)的特征集成策略，即kMaxSum Pooling，考慮圖像中所有局部特征相對(duì)于視覺(jué)詞典中某個(gè)視覺(jué)單詞的前k個(gè)最大響應(yīng)，并求其和響應(yīng)，選擇合適的k值后在圖像檢索實(shí)驗(yàn)中取得了比Max Pooling和Sum Pooling更好的效果;從三種稀疏表示模型的聯(lián)系出發(fā)，建立了圖像稀疏特征學(xué)習(xí)的統(tǒng)一框架，并引入“圖像異質(zhì)局部特征”的概念推廣了該框架，提