圖像分類中的判別性增強(qiáng)研究.pdf

1、數(shù)字圖像的智能分析與理解是當(dāng)前多媒體研究領(lǐng)域的熱點(diǎn)和難點(diǎn)問題，圖像分類是數(shù)字圖像分析與理解中的一項(xiàng)最基本也是最重要的研究?jī)?nèi)容。圖像分類根據(jù)圖像的語義特點(diǎn)將圖像劃分為不同種類。它首先使用計(jì)算機(jī)視覺技術(shù)抽取圖像的視覺特征作為圖像的表達(dá)，然后借助機(jī)器學(xué)習(xí)的方法對(duì)圖像進(jìn)行分類。對(duì)圖像分類的研究可以促進(jìn)網(wǎng)絡(luò)圖像檢索、智能視頻監(jiān)控、生物特征識(shí)別等眾多實(shí)際應(yīng)用的發(fā)展。
　　 雖然圖像分類具有廣闊的應(yīng)用前景，但是當(dāng)前對(duì)圖像分類的研究還遠(yuǎn)遠(yuǎn)不能滿

2、足實(shí)際應(yīng)用的需要，這是因?yàn)樵趫D像分類中存在底層視覺描述與高層人類感知之間的語義鴻溝。在這個(gè)開放性的問題中起到關(guān)鍵作用的是分類系統(tǒng)判別能力的強(qiáng)弱。因此，本論文圍繞圖像分類中的判別性增強(qiáng)，開展了以下系統(tǒng)性的研究工作，取得了相關(guān)的研究成果:
　　 1)通過歸納總結(jié)當(dāng)前最優(yōu)秀的底層特征編碼方法，提出使用圖像表達(dá)中的兩個(gè)基本元素——底層特征與視覺詞包之間的關(guān)系來進(jìn)行底層特征編碼?？紤]到底層特征與視覺詞包的特性，本論文使用直接加性核映射的方

3、式將它們分別映射到一個(gè)高維空間中，在該空間中使用向量差的方式描述底層特征與視覺詞包之間的關(guān)系。本論文提出的方法更具一般性。研究結(jié)果表明，最后得到的底層特征編碼響應(yīng)與傳統(tǒng)方法相比具有更強(qiáng)的判別性。在公開數(shù)據(jù)庫(kù)上的圖像分類的性能得到了提升。
　　 2)指出現(xiàn)有圖像表達(dá)方法中存在的兩個(gè)關(guān)鍵的局限性。為了降低圖像可變性對(duì)分類性能的影響，本論文提出基于可變性分析對(duì)影響圖像分類性能的潛在因子進(jìn)行建模。同時(shí)，為了增強(qiáng)圖像表達(dá)的判別性，本論文提

4、出了一種判別式的圖像表達(dá)框架，該框架基于偏最小二乘方法，將每幅圖像表達(dá)成一個(gè)低維的特征向量。這極大地減輕了分類器的訓(xùn)練和特征的存儲(chǔ)的負(fù)擔(dān)。由于該框架結(jié)合了圖像的類別標(biāo)簽，因此最終的圖像表達(dá)在不同類別之間具有較強(qiáng)的判別性。在主流公開數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果驗(yàn)證了本論文方法的有效性。
　　 3)提出了一種在線判別式的參數(shù)化圖像相似度度量學(xué)習(xí)算法。該算法結(jié)合當(dāng)前最基本的圖像表達(dá)框架，提出使用圖像相似度成對(duì)約束的方法學(xué)習(xí)參數(shù)化的相似度度量。圖

5、像相似度成對(duì)約束將圖像類別信息進(jìn)行了編碼，使得學(xué)習(xí)之后的同類別圖像之間的相似度要大于不同類別之間圖像之間的相似度，增強(qiáng)了相似度度量的判別性。同時(shí)，本論文提出的在線學(xué)習(xí)算法解決了基于成對(duì)約束而導(dǎo)致的大規(guī)模的學(xué)習(xí)問題。實(shí)驗(yàn)結(jié)果表明，本論文提出的算法取得了優(yōu)異的分類性能，并且大幅度提升了傳統(tǒng)離線算法的學(xué)習(xí)效率。
　　 4)針對(duì)圖像分類中的分類器模型提出了一種全局和局部分類器訓(xùn)練方法。以監(jiān)控場(chǎng)景中的運(yùn)動(dòng)目標(biāo)為研究載體，本論文分析了多類分