版權說明: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,請進行舉報或認領
文檔簡介
1、圖像分類作為計算機視覺領域研究的方向之一,是其他圖像應用領域的基礎。此類問題的一個重要解決途徑就是圖像場景分類技術。本文主要針對現(xiàn)有的基于LDA主題模型圖像場景分類技術中存在的一些問題,提出新的改進的方法,以提高LDA主題模型對圖像場景分類的準確率和執(zhí)行效率。
潛在狄利克雷分布(Latent Dirichlet Allocation,LDA)主題模型是當前廣泛使用的一種圖像處理方法,它將圖像的底層局部特征抽象成為視覺單詞,生成
2、視覺詞典,統(tǒng)計視覺單詞出現(xiàn)的頻率進而建立中層語義表示模型,對圖像進行表示。之后通過分類器自動標記圖像場景標簽,實現(xiàn)圖像的自動分類。
針對傳統(tǒng)模型在進行圖像場景識別時存在的問題,本文進行了如下研究:
1.針對傳統(tǒng)模型在進行圖像場景識別時使用的聚類方法效率較低的問題,采用K-Means++聚類算法生成視覺單詞。
2.傳統(tǒng)方法表示圖像時未考慮單詞的權重問題,使得學習得到的主題分布傾向高頻詞,針對視覺單詞出現(xiàn)的冪律
3、分布問題,本文使用加權統(tǒng)計直方圖進行圖像表示。
3.在進行圖像場景識別時不能有效利用圖像主要特征的問題,引入特征函數(shù),在圖像場景識別模型的方法中加強重要特征在分類識別中的作用,提出有特征函數(shù)的潛在狄利克雷分布(Featured Latent Dirichlet Allocation,F(xiàn)LDA)主題模型,提高圖像場景的分類和識別效率。
4.LDA模型中的參數(shù)很難直接估計,針對這個問題,提出了一種改進的變分推理方法,即快
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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權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)容負責。
- 6. 下載文件中如有侵權或不適當內(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確性、安全性和完整性, 同時也不承擔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LDA主題模型的圖像場景分類研究.pdf
- 基于概率主題模型的圖像場景分類研究.pdf
- 基于語義主題模型的圖像場景分類研究.pdf
- 基于LDA主題模型的圖像檢索研究.pdf
- 基于改進LDA模型的自然圖像分類.pdf
- 基于概率生成主題模型的圖像場景分類方法研究.pdf
- 基于主題模型的動態(tài)場景分類.pdf
- 基于LDA主題模型的圖像標注研究與系統(tǒng)實現(xiàn).pdf
- 基于Spark并行LDA主題模型的研究.pdf
- 基于詞性與LDA主題模型的文本分類技術研究.pdf
- 基于LDA模型的文本分類研究.pdf
- 基于主題模型的圖像分類算法研究.pdf
- 基于LDA多模型中文短文本主題分類體系構建與分類.pdf
- 基于視覺字典容量自動獲取的LDA場景分類研究.pdf
- 基于lda多模型中文短文本主題分類體系構建與分類
- 基于視覺特征和主題模型的自然場景分類.pdf
- 基于LDA主題模型的評價對象抽取研究.pdf
- 基于特征組合的圖像場景分類.pdf
- 基于中層語義的圖像場景分類算法研究.pdf
- 基于Hadoop平臺的圖像場景分類方法研究.pdf
評論
0/150
提交評論