最近鄰搜索方法在大可視目標識別中的應用.pdf

1、最近鄰分類器是機器學習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器學習和模式識別的一個研究熱點。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。本論文的主要學術貢獻如下：
　　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)。該方法的主要學術思想是將全局幾何對應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，將圖像按金字塔結構分成不同的子窗；其次，在每個金字塔窗中引入PNNS度量局部描述器和類特征集相似度。有別于SPM算法中的固定權值，本文用類獨立的方式學習金字塔窗的權值，因此可以得到特定類的幾何對應性。最后，

3、開發(fā)了一個最優(yōu)的最近鄰分類器框架并融入不同金字塔窗的核函數(shù)。該算法通過在四個公共數(shù)據(jù)庫上的實驗評估，實驗結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。
　　其次，本文在金字塔最近鄰搜索算法的基礎上，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核映射函數(shù)將局部特征的度量轉化成圖像的全局特征，并能夠提供給支持向

4、量機分類器(Support Vector Machine，SVM)用于目標分類。此外，為了更好地標定每個子窗的分類器輸出，論文擬合Sigmoid函數(shù)并加權金字塔窗的輸出。這些Sigmoid參數(shù)和權值可以通過類獨立和窗獨立的方式學習得到。通過在兩個公共數(shù)據(jù)庫上的實驗比較，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