基于词袋模型的图像分类关键技术研究

论文摘要

图像分类是当今计算机视觉领域持续热点研究问题,而机器学习作为解决图像分类问题的理论支撑和模型方法,也因实际问题的复杂性,得到进一步发展。虽然让计算机完全理解图像丰富的语义困难重重,但近年来词袋模型被成功引入处理图像分类,并快速衍生出一系列高效的图像分类算法,使得图像分类研究向前迈出了一大步。本文围绕词袋模型基础框架的关键步骤：码书学习和特征空间汇合进行初步研究。首先,提出增量神经网络学习改进传统聚类手段构建码书,此方法能在线、高效学习合适的视觉单词集合,同时以网络的形式表示码书,为后续特征编码提供了更丰富的信息。进而设计了基于子图的编码方法,有效利用码书网络中单词之间的联系为特征编码。实验表明,结合这两种方法能有效的提升了图像分类准确度及计算效率。然后,在分析现有基于稀疏表示的码书模型的迭代学习算法缺点的基础上,将自调式学习机制引入基于稀疏表示的码书学习算法,设计了一套从简单到复杂的学习框架学习基于稀疏表示的码书模型,通过实验分析验证了这种有序学习机制能改善原有迭代算法的结果,并提升分类效果。最后,详细分析二阶特征空间汇合方法,然后针对其造成的高维图像特征表示问题,提出一种融合黎曼流形上图嵌入判别分析的图像低维二阶统计信息特征表示。实验表明,该方法既可以有效降低图像特征表示维度,又能保持高的分类准确度。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的背景及意义
• 1.2 研究内容的现状
• 1.3 论文的内容和贡献
• 1.4 论文组织
• 第二章 基于词袋模型的图像分类
• 2.1 图像局部特征抽取
• 2.2 码书学习
• 2.3 基于码书的特征编码表示
• 2.4 特征空间汇合
• 2.5 图像分类模型设计
• 2.6 总结
• 第三章 基于增量码书学习和子图编码的图像分类
• 3.1 引言
• 3.2 增量码书网络学习
• 3.2.1 相关工作
• 3.2.2 快速增量码书网络学习算法
• 3.3 基于子图的编码
• 3.4 结合增量码书学习与子图编码的图像分类实验与分析
• 3.4.1 实验设置
• 3.4.2 码书学习时间
• 3.4.3 分类准确度
• 3.4.4 不同参数的影响
• 3.5 总结
• 第四章 基于自调式码书学习的图像分类
• 4.1 引言
• 4.2 基于稀疏表示的码书学习
• 4.3 自调式学习相关研究
• 4.4 自调式码书学习
• 4.4.1 自适应阈值计算
• 4.4.2 选取当前简单样本
• 4.4.3 利用简单样本学习码书
• 4.4.4 自调式码书学习算法分析
• 4.5 实验与分析
• 4.5.1 实验环境及实验设置
• 4.5.2 Caltech-101数据集实验分析
• 4.5.3 15-Scene数据集实验分析
• 4.5.4 UIUC 8-Event数据集实验分析
• 4.6 总结
• 第五章 基于二阶特征空间汇合判别分析的图像分类
• 5.1 引言
• 5.2 研究现状
• 5.3 二阶特征空间汇合技术
• 5.4 二阶特征空间汇合技术的判别分析
• 5.4.1 图嵌入判别分析
• 5.4.2 黎曼流形的距离度量
• 5.4.3 判别的低维二阶信息图像表示
• 5.5 实验与分析
• 5.5.1 实验环境及实验设置
• 5.5.2 基于二阶特征空间汇合判别分析的图像分类
• 5.5.3 Caltech-101实验结果及分析
• 5.5.4 15-Scene实验结果及分析
• 5.6 总结
• 第六章 总结和展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读硕士学位期间完成的学术成果
• 攻读硕士学位期间参与的科研课题
• 致谢