圖像分類(lèi)中的局部多核區(qū)分特征學(xué)習(xí).pdf

1、圖像分類(lèi)是在語(yǔ)義層獲取視覺(jué)信息的重要手段，有著廣泛的應(yīng)用價(jià)值。但在現(xiàn)實(shí)中圖像往往呈現(xiàn)出同類(lèi)間的多樣性與不同類(lèi)間的相關(guān)性，使得圖像分類(lèi)仍然極具挑戰(zhàn)。利用局部多核學(xué)習(xí)技術(shù)學(xué)習(xí)多種視覺(jué)特征在當(dāng)前分類(lèi)任務(wù)下分類(lèi)每一幅圖像所需的最優(yōu)組合，可以極大地減少同類(lèi)間的多樣性，與不同類(lèi)間的相關(guān)性對(duì)圖像分類(lèi)的負(fù)面影響。而基于交替優(yōu)化的局部多核學(xué)習(xí)不僅具有可保證的計(jì)算復(fù)雜度，還能有效地防范局部模型的過(guò)匹配，因此，本文主要研究基于交替優(yōu)化的局部多核學(xué)習(xí)圖像區(qū)分特

2、征的方法，從設(shè)計(jì)新的形式化與優(yōu)化算法，結(jié)合分布特性的局部啟發(fā)式模型，及其在構(gòu)建生物啟發(fā)式圖像分類(lèi)模型中的應(yīng)用這三個(gè)方面，深入系統(tǒng)地展開(kāi)了以下四項(xiàng)研究工作：
　　1)在設(shè)計(jì)新的形式化與優(yōu)化算法的研究中，本文提出一種基于樣本級(jí)的交替優(yōu)化策略用于求解任意范數(shù)約束下的局部多核學(xué)習(xí)（即 S-LMKL）。算法上，S-LMKL在繼承交替優(yōu)化優(yōu)點(diǎn)的同時(shí)提供了一種直接求解局部核權(quán)值的策略。經(jīng)驗(yàn)實(shí)驗(yàn)上，與經(jīng)典的MKL與最新的局部學(xué)習(xí)算法相比，S-LM

3、KL在四類(lèi)機(jī)器學(xué)習(xí)基準(zhǔn)數(shù)據(jù)庫(kù)（UCI數(shù)據(jù)庫(kù)）與兩類(lèi)場(chǎng)景圖像數(shù)據(jù)庫(kù)上能夠更有效地學(xué)習(xí)每一幅圖像的分區(qū)特征，且具有令人滿意的學(xué)習(xí)時(shí)間。
　　2)在設(shè)計(jì)新的形式化與優(yōu)化算法的研究中，本文提出一種基于半定規(guī)劃松弛技術(shù)進(jìn)行任意范數(shù)約束下的局部多核學(xué)習(xí)策略（即 SDP-LMKL）。理論上，SDP松弛可保證這類(lèi)非凸問(wèn)題的強(qiáng)結(jié)果。算法上，SDP-LMKL在繼承交替優(yōu)化優(yōu)點(diǎn)的同時(shí)提供了一種直接求解局部核權(quán)值的策略。經(jīng)驗(yàn)實(shí)驗(yàn)上，在十個(gè)基準(zhǔn)機(jī)器學(xué)習(xí)數(shù)據(jù)

4、庫(kù)（UCI數(shù)據(jù)庫(kù)）上的實(shí)驗(yàn)與多種統(tǒng)計(jì)檢驗(yàn)證明與經(jīng)典的MKL和最新的局部學(xué)習(xí)算法相比SDP-LMKL能夠更有效地刻畫(huà)每一樣本的多樣性，且在多種分類(lèi)任務(wù)中具有更為魯棒的分類(lèi)性能。
　　3)在結(jié)合分布特性構(gòu)建局部啟發(fā)式模型的研究中，本文提出一種基于概率置信核（PCK）的局部多核學(xué)習(xí)算法（即PCK-LMKL）。PCK通過(guò)挖掘類(lèi)別概率密度分布與類(lèi)別預(yù)測(cè)置信間的關(guān)系，定義了基于概率預(yù)測(cè)的類(lèi)別屬性間的相似性。該模型一方面更合理地刻畫(huà)了局部特性；

5、另一方面，預(yù)定義的概率密度函數(shù)保證了模型對(duì)測(cè)試數(shù)據(jù)的有效推廣。通過(guò)交替優(yōu)化學(xué)得的PCK-LMKL在十個(gè)標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)（UCI數(shù)據(jù)庫(kù)）與兩個(gè)圖像分類(lèi)數(shù)據(jù)庫(kù)上的經(jīng)驗(yàn)實(shí)驗(yàn)上取得優(yōu)于經(jīng)典的MKL與最新的局部學(xué)習(xí)算法的結(jié)果。
　　4)在構(gòu)建生物啟發(fā)式圖像分類(lèi)模型的研究中，本文提出一種分類(lèi)任務(wù)引導(dǎo)的生物啟發(fā)式要點(diǎn)模型（即BT-gist）。通過(guò)對(duì)多分辨率空間布局特征引入PCK-LMKL，BT-Gist有效地模擬了人眼快速準(zhǔn)確進(jìn)行場(chǎng)景分類(lèi)的兩