圖像分類(lèi)中的判別性增強(qiáng)研究.pdf

1、數(shù)字圖像的智能分析與理解是當(dāng)前多媒體研究領(lǐng)域的熱點(diǎn)和難點(diǎn)問(wèn)題，圖像分類(lèi)是數(shù)字圖像分析與理解中的一項(xiàng)最基本也是最重要的研究?jī)?nèi)容。圖像分類(lèi)根據(jù)圖像的語(yǔ)義特點(diǎn)將圖像劃分為不同種類(lèi)。它首先使用計(jì)算機(jī)視覺(jué)技術(shù)抽取圖像的視覺(jué)特征作為圖像的表達(dá)，然后借助機(jī)器學(xué)習(xí)的方法對(duì)圖像進(jìn)行分類(lèi)。對(duì)圖像分類(lèi)的研究可以促進(jìn)網(wǎng)絡(luò)圖像檢索、智能視頻監(jiān)控、生物特征識(shí)別等眾多實(shí)際應(yīng)用的發(fā)展。
　　 雖然圖像分類(lèi)具有廣闊的應(yīng)用前景，但是當(dāng)前對(duì)圖像分類(lèi)的研究還遠(yuǎn)遠(yuǎn)不能滿(mǎn)

2、足實(shí)際應(yīng)用的需要，這是因?yàn)樵趫D像分類(lèi)中存在底層視覺(jué)描述與高層人類(lèi)感知之間的語(yǔ)義鴻溝。在這個(gè)開(kāi)放性的問(wèn)題中起到關(guān)鍵作用的是分類(lèi)系統(tǒng)判別能力的強(qiáng)弱。因此，本論文圍繞圖像分類(lèi)中的判別性增強(qiáng)，開(kāi)展了以下系統(tǒng)性的研究工作，取得了相關(guān)的研究成果:
　　 1)通過(guò)歸納總結(jié)當(dāng)前最優(yōu)秀的底層特征編碼方法，提出使用圖像表達(dá)中的兩個(gè)基本元素——底層特征與視覺(jué)詞包之間的關(guān)系來(lái)進(jìn)行底層特征編碼?？紤]到底層特征與視覺(jué)詞包的特性，本論文使用直接加性核映射的方

3、式將它們分別映射到一個(gè)高維空間中，在該空間中使用向量差的方式描述底層特征與視覺(jué)詞包之間的關(guān)系。本論文提出的方法更具一般性。研究結(jié)果表明，最后得到的底層特征編碼響應(yīng)與傳統(tǒng)方法相比具有更強(qiáng)的判別性。在公開(kāi)數(shù)據(jù)庫(kù)上的圖像分類(lèi)的性能得到了提升。
　　 2)指出現(xiàn)有圖像表達(dá)方法中存在的兩個(gè)關(guān)鍵的局限性。為了降低圖像可變性對(duì)分類(lèi)性能的影響，本論文提出基于可變性分析對(duì)影響圖像分類(lèi)性能的潛在因子進(jìn)行建模。同時(shí)，為了增強(qiáng)圖像表達(dá)的判別性，本論文提

4、出了一種判別式的圖像表達(dá)框架，該框架基于偏最小二乘方法，將每幅圖像表達(dá)成一個(gè)低維的特征向量。這極大地減輕了分類(lèi)器的訓(xùn)練和特征的存儲(chǔ)的負(fù)擔(dān)。由于該框架結(jié)合了圖像的類(lèi)別標(biāo)簽，因此最終的圖像表達(dá)在不同類(lèi)別之間具有較強(qiáng)的判別性。在主流公開(kāi)數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果驗(yàn)證了本論文方法的有效性。
　　 3)提出了一種在線(xiàn)判別式的參數(shù)化圖像相似度度量學(xué)習(xí)算法。該算法結(jié)合當(dāng)前最基本的圖像表達(dá)框架，提出使用圖像相似度成對(duì)約束的方法學(xué)習(xí)參數(shù)化的相似度度量。圖

5、像相似度成對(duì)約束將圖像類(lèi)別信息進(jìn)行了編碼，使得學(xué)習(xí)之后的同類(lèi)別圖像之間的相似度要大于不同類(lèi)別之間圖像之間的相似度，增強(qiáng)了相似度度量的判別性。同時(shí)，本論文提出的在線(xiàn)學(xué)習(xí)算法解決了基于成對(duì)約束而導(dǎo)致的大規(guī)模的學(xué)習(xí)問(wèn)題。實(shí)驗(yàn)結(jié)果表明，本論文提出的算法取得了優(yōu)異的分類(lèi)性能，并且大幅度提升了傳統(tǒng)離線(xiàn)算法的學(xué)習(xí)效率。
　　 4)針對(duì)圖像分類(lèi)中的分類(lèi)器模型提出了一種全局和局部分類(lèi)器訓(xùn)練方法。以監(jiān)控場(chǎng)景中的運(yùn)動(dòng)目標(biāo)為研究載體，本論文分析了多類(lèi)分