基于動態(tài)閾值模型的概率潛在語義分析方法.pdf

1、目標識別與目標定位是計算機視覺領域的一個重要分支，隨著數(shù)字圖像在互聯(lián)網上的爆炸式增長，基于圖像局部特征的目標匹配開始在圖像檢索中占據(jù)越來越重要的地位，圖像的整體分類已很難滿足所有的圖像檢索需求，如何精確而有效地實現(xiàn)目標識別與目標定位成為圖像研究領域的一個關鍵問題。概率潛在語義分析（ProbabilisticLatentSemanticAnalysis，PLSA）是一種基于統(tǒng)計學的自然語言處理方法，能夠有效挖掘隱藏在文本字面數(shù)據(jù)下的潛在語

2、義結構，是最早的主題模型方法。在圖像應用領域，將PLSA作為一種主題挖掘工具，成功實現(xiàn)了非監(jiān)督形式的目標識別與目標定位功能。但在實踐中存在過度擬合的問題，時常出現(xiàn)主題隸屬度不明確和多個主題過度相似的現(xiàn)象。
　　針對以上問題，本文提出一種基于動態(tài)閾值模型的PLSA方法，所完成的主要工作包括:(1)提出一種高效的稀疏化方法，通過設置稀疏性控制閾值以達到忽略次要信息，凸顯核心主題信息的目的。這種方法合理并有效地限制了每張圖像所對應主題的

3、數(shù)量，抑制冗余信息，成功解決了主題隸屬度混亂的問題。(2)提出了基于語義相似性的主題合并策略。對于不同主題過于相似的問題，根據(jù)其語義相似性，動態(tài)地決定是否合并相似主題。目的是在確定目標的類信息保存完整的前提下，實現(xiàn)每個目標類只明確地對應于一個主題。這種策略還能夠構造主題之間的層次結構關系，通過調整閾值的約束范圍，可以實現(xiàn)主題在不同深度上的抽象，挖掘更高層次的潛在數(shù)據(jù)模式。
　　本文實驗表明:與已有的PLSA方法相比，本文所述的方法