

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、隨著計算機網(wǎng)絡(luò)和多媒體技術(shù)的迅速發(fā)展,圖像作為信息傳播的重要載體,使得人類對事物的認(rèn)知趨于簡捷化。但面對海量圖像數(shù)據(jù)時,如何對其進(jìn)行高效分析和管理,已經(jīng)成為亟待解決的問題。圖像分類成為解決這類問題的基本途徑,并被廣泛應(yīng)用于醫(yī)學(xué)圖像分析、基于內(nèi)容的圖像檢索、網(wǎng)絡(luò)圖像搜索、基于手勢的人機交互界面及機器人視覺等方向。圖像分類中極具挑戰(zhàn)性的任務(wù)是如何使計算機準(zhǔn)確分辨圖像各類間的相似性和類內(nèi)差異性,而獲取有效的圖像表示則是其中的關(guān)鍵因素。因此,本
2、文將探索用于深度結(jié)構(gòu)的訓(xùn)練策略,圍繞圖像特征的提取過程,構(gòu)建不同的分層稀疏表示模型。主要工作和創(chuàng)新點包含以下幾個方面:
?。?)由于深度學(xué)習(xí)在計算機視覺和機器學(xué)習(xí)中的高速發(fā)展,特征表示對人工設(shè)計描述子的依賴正在減弱。而傳統(tǒng)的判別式字典學(xué)習(xí)算法依然采用基于尺度不變特征變換(Scale Invariant Feature Transform,SIFT)描述子的空間金字塔特征進(jìn)行相應(yīng)的稀疏編碼。因此,本文提出一種完全自動建立在圖像原始
3、像素基礎(chǔ)上的分層特征學(xué)習(xí)結(jié)構(gòu),利用帶有標(biāo)簽一致性約束的K-SVD(Label Consistent K-SVD,LC-KSVD)算法對已獲取的圖像特征訓(xùn)練判別式字典和最優(yōu)的線性分類器。針對不同類型的圖像數(shù)據(jù)集,該算法僅提取灰度或RGB類型圖像塊,在稠密采樣后,使用高效的正交匹配追蹤(Orthogonal Matching Pursuit,OMP)編碼器得到分層的稀疏表示。因為結(jié)合了分層特征學(xué)習(xí)和有監(jiān)督字典學(xué)習(xí)的優(yōu)勢,提出的算法明顯提高了
4、圖像分類準(zhǔn)確率。
?。?)針對非負(fù)正交匹配追蹤(Non-negative OMP,NOMP)的編碼效率問題,本文研究了快速非負(fù)正交匹配追蹤(Fast NOMP,FNOMP)并將其應(yīng)用于基于分層特征學(xué)習(xí)的全尺寸圖像分類任務(wù)中,該算法可利用QR分解和系數(shù)迭代進(jìn)行加速。將FNOMP與非監(jiān)督式的分層訓(xùn)練方式進(jìn)行結(jié)合后,僅利用gain-shape矢量量化作為字典學(xué)習(xí)方法,在稀疏編碼階段,F(xiàn)NOMP不僅明顯比NOMP編碼器更為高效,而且在圖
5、像分類準(zhǔn)確率上優(yōu)于基于OMP的算法。實驗同時證明了該算法相對其它先進(jìn)算法表現(xiàn)出更好的分類性能。
?。?)針對在深度網(wǎng)絡(luò)中如何學(xué)習(xí)更優(yōu)的空間池化策略,本文提出了一種聯(lián)合可學(xué)習(xí)感受野的分層稀疏表示算法。該算法利用分類器與池化權(quán)重聯(lián)合優(yōu)化的方式構(gòu)造池化算子,可獲得更加豐富的基于特征的池化區(qū)域集。通過分析取和、取平均和取最大值三種不同類型的預(yù)池化方法,并結(jié)合編碼階段的稀疏度,字典規(guī)模以及感受野尺寸等相關(guān)參數(shù)的討論,實驗結(jié)果證明了所提算法
6、在全尺寸圖像分類任務(wù)上的有效性。
?。?)針對基于多核學(xué)習(xí)(Multiple Kernel Learning,MKL)的圖像分類具有高計算復(fù)雜度和有效性評價不一致的問題,本文提出了一種基于分層特征級聯(lián)的核稀疏表示算法。首先,該算法利用批量核正交匹配追蹤(Batch Kernel OMP,BKOMP)分別對概率密度函數(shù)梯度方向直方圖和空間金字塔特征進(jìn)行單層的核稀疏編碼,然后將兩類低維核稀疏表示進(jìn)行級聯(lián),再通過基于核方法的KSVD(
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于稀疏表示的圖像分類方法研究.pdf
- 基于稀疏表示的圖像目標(biāo)分類方法研究.pdf
- 基于稀疏表示的面向?qū)ο髽O化SAR圖像分類.pdf
- 基于聯(lián)合稀疏表示的sar圖像分類方法研究
- 高光譜遙感圖像的稀疏表示分類方法研究.pdf
- 基于聯(lián)合稀疏表示的SAR圖像分類方法研究.pdf
- 面向圖像恢復(fù)和識別的稀疏表示方法研究.pdf
- 基于稀疏表示的高光譜圖像分類和解混方法研究.pdf
- 基于稀疏表示的紋理分類方法研究.pdf
- 基于稀疏表示的圖像融合方法研究.pdf
- 基于稀疏表示與屬性學(xué)習(xí)相結(jié)合的圖像分類方法研究.pdf
- 基于稀疏表示的高光譜遙感圖像分類.pdf
- 基于稀疏表示及圖像分層的去塊效應(yīng)算法研究.pdf
- 人臉圖像的稀疏分類方法研究.pdf
- 用于行為識別稀疏表示的分類方法研究.pdf
- 基于稀疏表示的高光譜圖像分類算法研究.pdf
- 基于稀疏表示的圖像分類與目標(biāo)跟蹤研究.pdf
- 基于稀疏表示的圖像修復(fù)方法研究.pdf
- 基于稀疏表示分類器的極化SAR圖像地物分類.pdf
- 基于稀疏表示和空間約束的高光譜遙感圖像分類方法研究.pdf
評論
0/150
提交評論