基于機器學(xué)習(xí)的物體識別.pdf

1、計算機視覺是人工智能領(lǐng)域的核心問題之一，它的目標(biāo)是讓計算機擁有人的視覺能力，也就是讓機算計像人一樣理解現(xiàn)實世界中的圖像。計算機視覺在醫(yī)學(xué)、工業(yè)、軍事、航天等領(lǐng)域擁有廣泛的應(yīng)用。但是，根據(jù)人的視覺占用至少60％的人腦資源這個事實，計算機視覺在學(xué)術(shù)界被認(rèn)為是“人工智能完全”問題，或者至少是“人工智能困難”問題。在眾多計算機視覺的問題中，廣義的物體識別，即在任意環(huán)境下識別任意物體，又是最核心的問題之一?？偟膩碚f，物體識別是讓計算機自動地把圖像

2、中的物體分類。這是個非常具有挑戰(zhàn)性的問題，它也是很多應(yīng)用問題的最緊要瓶頸所在，比如圖片搜索問題。雖然世界上諸如麻省理工、斯坦福、耶魯、劍橋、普林斯頓等眾多非常有實力的研究機構(gòu)已經(jīng)研究這個問題多年，廣義的物體識別問題還遠(yuǎn)遠(yuǎn)沒有得到很好的解決。但是，從機器學(xué)習(xí)的角度來說，物體識別的問題至少在一定程度上是可行的。準(zhǔn)確的說，只要能合適地抽取圖像特征、合適地描述物體和找到合適的分類模型，實現(xiàn)一個能滿足實際應(yīng)用的物體識別系統(tǒng)是可行的。
　　

3、 在這篇論文里，我們將介紹一個基于機器學(xué)習(xí)的物體識別系統(tǒng)原型。這個原型系統(tǒng)包括三個部分:物體分割子系統(tǒng)、物體描述子系統(tǒng)和一個分類器。在這三個要點上，我們創(chuàng)造性地提出了自己的方法:一個基于混合圖模型(HGM)的物體分割算法、一個基于拉多表示的物體描述算法(RRFD)和一個稱為神經(jīng)編碼分類器(NCC)的分類算法。隨后，我們對這個基本原型系統(tǒng)做一些改進(jìn)工作:包括基于低秩描述(LRR)的圖像聚類算法、基于局部線性轉(zhuǎn)換(LLT)的多標(biāo)簽分類算法和

4、基于反饋嵌入(FE)的大規(guī)模相似圖像查找技術(shù)。具體來說，本文的創(chuàng)新點有:
　　 我們提出了用于一般半指導(dǎo)分類的HGM(Hybrid Graph Model，混合圖模型)，并建立了一個有效的物體自動分割方法。根據(jù)我們所知，我們是第一個將混合圖引入機器學(xué)習(xí)的人。不同于傳統(tǒng)的物體分割方法，我們的基于HGM的方法是自動的，即不需要手動分割好的訓(xùn)練數(shù)據(jù)。這使得我們的物體識別系統(tǒng)更加實用。
　　 我們提出了基于Radon變換的物體描

5、述算法，稱為RRFD(Radon Repre-sentation Based Feature Description，基于拉多表示的特征描述)。在物體已經(jīng)從圖像中分割出來后，RRFD可以把物體的形狀、顏色、紋理等信息綜合地集成到一個維度比較低的特征向量中去，并由此而實現(xiàn)精確的物體識別。除此之外，RRFD也可以作為一個一般的特征描述算法，它可以描述任意一個圖像區(qū)域。
　　 物體識別中的最后一個步驟是對特征向量進(jìn)行分類。我們提出了基

6、于神經(jīng)編碼的分類器，稱為NCC（Neural Coding Classifier，神經(jīng)編碼分類器）。和傳統(tǒng)的諸如SVM的分類算法相比，NCC不僅能夠很好地處理測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)同分布的情況，也能更好地處理測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)概率分布不同的情況。實驗結(jié)果表明，在測試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)概率分布相同的情況下，NCC的分類精度度略微超過SVM;在測試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)概率分布不同的情況下，NCC可以顯著地超過SVM。
　　 當(dāng)一張圖像中可能含有多

7、個類的物體時，物體識別中對應(yīng)的分類問題就是一個MLC（Multi-Label Classification，多標(biāo)簽分類）問題。多標(biāo)簽分類問題可以用MOR(Multi Output Regression，多輸出回歸)模型來處理。我們提出了用于定義回歸分析中損失函數(shù)的LLT(Locally Linear Transformation，局部線性轉(zhuǎn)換)機制，并在SVR(Support Vector Regression，支持向量回歸)框架下提出

8、了一種結(jié)合LLT和SVR的多輸出回歸算法，即所謂的LLT-SVR。LLT-SVR即提供了一種很好的多輸出回歸分析工具，又為我們的物體識別系統(tǒng)提供了一種有效的多標(biāo)簽分類器。
　　 為了提高物體識別系統(tǒng)的實用性，我們需要一種有效的圖像聚類機制。我們首次提出了用于處理矩陣數(shù)據(jù)信號的LRR(Low-Rank Representation，低秩表示)。LRR是一種新的壓縮傳感(CompressedSensor)技術(shù)，和傳統(tǒng)的SR（Spar

9、se Representation，稀疏表示）相比，LRR能更好的描述數(shù)據(jù)的整體結(jié)構(gòu)，從而在諸如圖像聚類之類的數(shù)據(jù)聚類問題中，LRR有明顯的優(yōu)勢?；贚RR，我們提出了一種有效的圖像聚類算法。除圖像聚類外，LRR子空間分割算法也是一種基本的數(shù)據(jù)聚類法。更重要的是，LRR首次提出了“低秩”(LowRank)準(zhǔn)則。LRR不但在機器學(xué)習(xí)領(lǐng)域產(chǎn)生巨大的理論影響，而且在計算機視覺和圖像處理領(lǐng)域有著廣泛的應(yīng)用。
　　 為了提高物體識別系統(tǒng)的

10、運行速度，我們需要一種高速的相似圖像查找技術(shù)。我們提出了稱為FE(Feedback Embedding，反饋嵌入)的數(shù)據(jù)降維算法?；贔E，我們可以設(shè)計出一種有效的語義哈希算法，進(jìn)而實現(xiàn)在大規(guī)模物體識別系統(tǒng)中的快速相似圖像查找。
　　 除研究物體識別和一些相關(guān)的機器學(xué)習(xí)問題（比如分類、聚類和降維等）外，本文也對一些根本的科學(xué)問題進(jìn)行了討論。比如我們探究大腦是如何處理視覺信號的，并提出了一個新穎的神經(jīng)編碼假設(shè)，即大腦是基于信號重構(gòu)