局部特征相關(guān)性及其在量化中的應(yīng)用.pdf

1、圖像表示問(wèn)題是圖像檢索、物體識(shí)別等圖像分類任務(wù)首要解決的基本問(wèn)題，圖像表示模型的性能對(duì)圖像分類算法的性能有著決定性影響。詞袋模型(BagofWords)是目前廣泛使用的一個(gè)圖像表示模型，對(duì)平移、旋轉(zhuǎn)、縮放等幾何變換具有良好的魯棒性，在圖像檢索、物體識(shí)別等圖像分類應(yīng)用中取得了巨大的成功。特征量化是詞袋模型的一個(gè)核心步驟，對(duì)詞袋模型的性能有著關(guān)鍵性影響。但是，現(xiàn)有特征量化方法假設(shè)局部特征之間是相互獨(dú)立的，忽略了局部特征之間的相互聯(lián)系，從而降

2、低了詞袋模型的性能。
　　 針對(duì)該問(wèn)題，本文嘗試?yán)孟冗M(jìn)的高維數(shù)據(jù)分析技術(shù)（稀疏表示和矩陣低秩恢復(fù)）來(lái)挖掘局部特征相互聯(lián)系（用圖來(lái)表示），并將其引入到特征量化過(guò)程，旨在提高詞袋模型的表達(dá)能力，進(jìn)而提高圖像分類算法的性能。
　　 論文的主要研究?jī)?nèi)容和創(chuàng)新之處包括：
　　 1．提出了一種新的結(jié)構(gòu)性稀疏圖構(gòu)建算法。該算法將圖中單個(gè)數(shù)據(jù)對(duì)應(yīng)的權(quán)重系數(shù)設(shè)定為一組，通過(guò)組內(nèi)使用2范式約束（增加表示準(zhǔn)確度），組間使用1范式約束

3、（獲取自適應(yīng)稀疏圖）的方式，構(gòu)建結(jié)構(gòu)性稀疏圖e2,1圖。該圖繼承了e1圖能夠自適應(yīng)的獲取稀疏圖的優(yōu)點(diǎn)，并且通過(guò)添加數(shù)據(jù)之間的相互約束，克服了現(xiàn)有算法只是針對(duì)單個(gè)數(shù)據(jù)迸行孤立表示的情況。實(shí)驗(yàn)結(jié)果表明，所構(gòu)建的結(jié)構(gòu)性稀疏圖能夠更加全面地反映數(shù)據(jù)之間的信息，特別是在樣本標(biāo)注率低、樣本信息相對(duì)較少的情況下，該圖所反映出的數(shù)據(jù)信息能夠有效地提升數(shù)據(jù)降維和分類的效果。
　　 2．提出了一個(gè)全新的非負(fù)低秩稀疏圖(Non-NegativeLow

4、-rankandSparseGraph，NNLRS-graph)構(gòu)建算法。利用低秩和稀疏的約束能夠有效把握數(shù)據(jù)的整體和局部信息的性質(zhì)，通過(guò)對(duì)圖構(gòu)建的權(quán)重同時(shí)進(jìn)行低秩和稀疏約束，構(gòu)建更能反映數(shù)據(jù)關(guān)系的非負(fù)權(quán)重圖。因此，獲得的NNLRS圖能夠同時(shí)反映子空間結(jié)構(gòu)和局部的線性結(jié)構(gòu)，同時(shí)具有了生成性和區(qū)分性。在半監(jiān)督學(xué)習(xí)框架之下，分別針對(duì)半監(jiān)督分類和半監(jiān)督判別分析的方法進(jìn)行了構(gòu)建圖的比較，實(shí)驗(yàn)結(jié)果也證實(shí)了基于本文構(gòu)建算法的構(gòu)建圖的有效性。