最近鄰搜索方法在大可視目標(biāo)識別中的應(yīng)用.pdf

1、最近鄰分類器是機(jī)器學(xué)習(xí)中最古老的分類方法。作為非參數(shù)的分類方法，由于其具有不需要訓(xùn)練步驟、可以自然處理多類問題、避免參數(shù)過擬合等優(yōu)勢，最近鄰分類器成為機(jī)器學(xué)習(xí)和模式識別的一個(gè)研究熱點(diǎn)。尤其是在大可視識別問題中，最近鄰分類器可以更好地發(fā)揮作用。本論文的主要學(xué)術(shù)貢獻(xiàn)如下：
　　首先，本文針對純貝葉斯最近鄰算法(Nave Bayes Nearest Neighbor，NBNN)，將空間信息加入最近鄰搜索核，提出金字塔最近鄰搜索算法(Py

2、ramid Nearest Neighbor Searching，PNNS)。該方法的主要學(xué)術(shù)思想是將全局幾何對應(yīng)性引入純貝葉斯最近鄰算法中。首先，類似于空間金字塔匹配(Spatial Pyramid Matching，SPM)方法，將圖像按金字塔結(jié)構(gòu)分成不同的子窗；其次，在每個(gè)金字塔窗中引入PNNS度量局部描述器和類特征集相似度。有別于SPM算法中的固定權(quán)值，本文用類獨(dú)立的方式學(xué)習(xí)金字塔窗的權(quán)值，因此可以得到特定類的幾何對應(yīng)性。最后，

3、開發(fā)了一個(gè)最優(yōu)的最近鄰分類器框架并融入不同金字塔窗的核函數(shù)。該算法通過在四個(gè)公共數(shù)據(jù)庫上的實(shí)驗(yàn)評估，實(shí)驗(yàn)結(jié)果展示了金字塔最近鄰搜索算法顯著地超越了現(xiàn)今技術(shù)。
　　其次，本文在金字塔最近鄰搜索算法的基礎(chǔ)上，提出核化的最近鄰搜索算法(Kernelized Pyramid Nearest Neighbor,KPNN)。針對類不平衡的問題，金字塔最近鄰的特征描述方法通過一個(gè)核映射函數(shù)將局部特征的度量轉(zhuǎn)化成圖像的全局特征，并能夠提供給支持向

4、量機(jī)分類器(Support Vector Machine，SVM)用于目標(biāo)分類。此外，為了更好地標(biāo)定每個(gè)子窗的分類器輸出，論文擬合Sigmoid函數(shù)并加權(quán)金字塔窗的輸出。這些Sigmoid參數(shù)和權(quán)值可以通過類獨(dú)立和窗獨(dú)立的方式學(xué)習(xí)得到。通過在兩個(gè)公共數(shù)據(jù)庫上的實(shí)驗(yàn)比較，展示了核化金字塔最近鄰算法優(yōu)異的性能。
　　最后，針對大可視識別問題，本文提出積量化金字塔最近鄰搜索算法(Product Quantization Pyramid