面向圖像檢索和分類任務的稀疏特征學習.pdf_第1頁
已閱讀1頁,還剩125頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、高維度和稀疏性是當今機器學習研究領域的重要話題。圖像的稀疏表示是當前信息科學飛速發(fā)展、圖像數據急劇增加的形勢下對圖像表示問題的研究熱點。稀疏性能有效解決實際應用中圖像這種高維數據在存儲容量、處理速度和數據本身的可解釋性等方面存在的問題。為了適應大規(guī)?;趦热莸膱D像檢索和圖像分類任務的應用需求,本文在提取圖像局部特征的基礎上,研究了無監(jiān)督的特征學習方法來獲得圖像的全局超完備稀疏表示,使之同時具備了全局特征和局部特征的優(yōu)勢。本文的主要研究工

2、作包括:
  對圖像局部特征提取技術進行綜述,介紹了一些有代表性的局部特征提取算法(包括特征檢測算子和描述算子),指出了局部特征的應用場合,引出了本文的研究動機。
  針對圖像“局部特征集”表示在大規(guī)模圖像檢索和分類應用中的局限性,研究了基于視覺詞袋(BoVW)模型的圖像稀疏表示方法,該方法以“特征量化”為核心思想,其關鍵技術包括基于聚類分析的視覺詞典構造、基于向量量化技術的特征編碼等。
  針對BoVW模型中特征量化

3、誤差較大的問題,研究了基于稀疏編碼(SC)模型的圖像稀疏表示方法,該方法以“稀疏重構”為基本準則,其關鍵技術涉及超完備視覺詞典學習、稀疏分解和編碼集成等。
  針對SC模型中稀疏性正則化函數不平滑及計算復雜度較高的問題,研究了基于局部編碼(LC)模型的圖像稀疏表示方法,該方法以流形學習為理論基礎,用“局部性約束”替代稀疏編碼中的“稀疏性約束”,以“局部重構”的方式實現了高效的特征編碼,形成圖像的稀疏表示。
  綜合以上三種圖

4、像稀疏表示模型,建立并推廣了圖像稀疏特征學習的統(tǒng)一框架,探討了各種模型在此統(tǒng)一框架下的具體表現形式和實現方法,提出了一種基于圖像異質局部特征的稀疏學習方法。
  本文以基于內容的圖像檢索和圖像分類任務為應用背景,在ZuBud、UKBench、Caltech-101、Scene15等標準數據庫上驗證并評價了所研究的稀疏特征學習方法。
  本文的主要貢獻在于:提出了一種基于譜聚類的視覺詞典構造方法,譜聚類可在任意分布的樣本空間收

5、斂到全局最優(yōu),避免了K-Means和HKM聚類算法對初始聚類中心敏感和局部最優(yōu)的問題;提出了一種在優(yōu)化函數中施加“非負性約束”來增強圖像稀疏特征學習性能的策略,對標準稀疏編碼(SC)模型進行改進,建立了非負稀疏編碼(NNSC)模型,對局部編碼(LC)模型中的LLC編碼方法進行改進,提出了非負LLC(NNLLC)編碼方法;提出了一種改進的基于向量差分運算的局部編碼方法,即局部差分編碼(LDC),僅用圖像局部特征的近鄰視覺單詞來構造差分基向

6、量用于后續(xù)編碼,以保持其“局部平滑性”,將視覺單詞之間的關系融合到最終的特征編碼中;提出了一種改進的特征集成策略,即kMaxSum Pooling,考慮圖像中所有局部特征相對于視覺詞典中某個視覺單詞的前k個最大響應,并求其和響應,選擇合適的k值后在圖像檢索實驗中取得了比Max Pooling和Sum Pooling更好的效果;從三種稀疏表示模型的聯(lián)系出發(fā),建立了圖像稀疏特征學習的統(tǒng)一框架,并引入“圖像異質局部特征”的概念推廣了該框架,提

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,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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。

評論

0/150

提交評論