本文選題：字典學(xué)習(xí) + 圖像分類(lèi)��； 參考：《天津大學(xué)》2016年碩士論文

【摘要】：圖像分類(lèi)是計(jì)算機(jī)視覺(jué)、多媒體、模式識(shí)別與機(jī)器學(xué)習(xí)領(lǐng)域非�；钴S的研究方向。圖像分類(lèi)在很多領(lǐng)域有廣泛應(yīng)用,包括安防領(lǐng)域的人臉識(shí)別、智能視頻分析、行人跟蹤等,互聯(lián)網(wǎng)領(lǐng)域的基于內(nèi)容的圖像檢索、相冊(cè)自動(dòng)歸類(lèi)等�？梢哉f(shuō),圖像分類(lèi)已經(jīng)應(yīng)用于人們?nèi)粘Ｉ畹姆椒矫婷?計(jì)算機(jī)自動(dòng)分類(lèi)技術(shù)也在一定程度上減輕了人的負(fù)擔(dān),改變了人類(lèi)的生活方式。近年來(lái),字典學(xué)習(xí)被廣泛應(yīng)用于圖像分類(lèi)以及視頻處理領(lǐng)域。在該模型中,圖像被表達(dá)成一組字典的少量原子的線性組合。研究表明,在大多數(shù)圖像處理應(yīng)用中,例如人臉識(shí)別、對(duì)象識(shí)別、圖像分類(lèi)等,相較于非監(jiān)督字典型學(xué)習(xí)方法,基于類(lèi)別層次關(guān)系的監(jiān)督型字典學(xué)習(xí)方法取得更好的實(shí)驗(yàn)性能。本文主要針對(duì)結(jié)構(gòu)化字典學(xué)習(xí)模型及在圖像分類(lèi)方法中的應(yīng)用進(jìn)行了研究,主要研究?jī)?nèi)容如下:1.對(duì)非監(jiān)督型字典學(xué)習(xí)和監(jiān)督型字典學(xué)習(xí)進(jìn)行概述,并分析現(xiàn)有字典學(xué)習(xí)理論在圖像分類(lèi)應(yīng)用中存在的問(wèn)題。2.引入一種基于圖導(dǎo)向的監(jiān)督型字典學(xué)習(xí)方法,該算法將類(lèi)別層次結(jié)構(gòu)的節(jié)點(diǎn)與節(jié)點(diǎn)的關(guān)系和邊與邊的關(guān)系嵌入到字典學(xué)習(xí)過(guò)程中,并將該算法應(yīng)用到圖像分類(lèi)任務(wù)中,實(shí)驗(yàn)結(jié)果驗(yàn)證了該算法的有效性。3.基于圖導(dǎo)向的字典學(xué)習(xí)方法存在的一些問(wèn)題,引入一種基于邊與層次關(guān)系的結(jié)構(gòu)化字典學(xué)習(xí)方法,該算法通過(guò)建模將層與層之間的關(guān)系嵌入到學(xué)習(xí)過(guò)程中,實(shí)驗(yàn)結(jié)果表明該算法具有更好更穩(wěn)定的性能。
[Abstract]:Image classification is an active research field in computer vision, multimedia, pattern recognition and machine learning. Image classification is widely used in many fields, including face recognition in security field, intelligent video analysis, pedestrian tracking, content-based image retrieval in the field of Internet, automatic classification of photo albums, and so on. It can be said that image classification has been applied to every aspect of people's daily life, and the computer automatic classification technology has lightened the burden of human beings to some extent and changed the way of life of human beings. In recent years, dictionary learning has been widely used in image classification and video processing. In this model, the image is expressed as a linear combination of a small number of atoms in a group of dictionaries. The research shows that in most image processing applications, such as face recognition, object recognition and image classification, the supervised dictionary learning method based on class hierarchical relationship has better experimental performance than the unsupervised word learning method. This paper mainly focuses on the structural dictionary learning model and its application in image classification. The main research contents are as follows: 1. This paper summarizes the unsupervised dictionary learning and supervised dictionary learning, and analyzes the problems existing in the application of the existing dictionary learning theory in image classification. This paper introduces a supervised dictionary learning method based on graph. The algorithm embed the relationship between node and the relationship between edge and edge of class hierarchy into the dictionary learning process, and applies the algorithm to the task of image classification. Experimental results show that the algorithm is effective. Based on some problems of graph-oriented dictionary learning method, a structured dictionary learning method based on edge-level relationship is introduced. The algorithm embeds the relationship between layers into the learning process by modeling. Experimental results show that the algorithm has better and more stable performance.
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 朱峗,吳煒;圖像分類(lèi)中變形決策樹(shù)的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

2 陳戲墨,徐紅兵,李志銘,謝鉉洋,李曦,李揚(yáng)彬;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類(lèi)中的應(yīng)用[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2005年01期

3 冀翠萍;孟祥增;;基于內(nèi)容的圖像分類(lèi)體系[J];電腦知識(shí)與技術(shù)(學(xué)術(shù)交流);2007年07期

4 楊杰;陳曉云;;圖像分類(lèi)方法比較研究[J];微計(jì)算機(jī)應(yīng)用;2007年06期

5 楊文潮;姜志堅(jiān);;圖像分類(lèi)技術(shù)研究[J];福建電腦;2008年08期

6 葛寒娟;邱桃榮;王劍;盧強(qiáng);李北;劉韜;聶斌;;一種基于相容信息粒原理的圖像分類(lèi)方法[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年03期

7 王軍;王員云;;粒計(jì)算及其在圖像分類(lèi)中的應(yīng)用研究[J];計(jì)算機(jī)工程與科學(xué);2009年03期

8 吳軍;王士同;;基于正負(fù)模糊規(guī)則的相結(jié)合的圖像分類(lèi)[J];計(jì)算機(jī)應(yīng)用;2011年01期

9 吳軍;王士同;趙鑫;;正負(fù)模糊規(guī)則系統(tǒng)、極限學(xué)習(xí)機(jī)與圖像分類(lèi)[J];中國(guó)圖象圖形學(xué)報(bào);2011年08期

10 郝永寬;王威;聶維同;王德強(qiáng);;圖像分類(lèi)與聚類(lèi)分析[J];數(shù)字技術(shù)與應(yīng)用;2011年12期

相關(guān)會(huì)議論文 前10條

1 鄭海紅;曾平;;一種基于圖像分類(lèi)的逆半調(diào)算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)議論文集[C];2004年

2 文振q;歐陽(yáng)杰;朱為總;;基于語(yǔ)義特征與支持向量機(jī)的圖像分類(lèi)[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類(lèi)技術(shù)在油品分析中的應(yīng)用[A];中國(guó)儀器儀表學(xué)會(huì)第六屆青年學(xué)術(shù)會(huì)議論文集[C];2004年

4 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學(xué)圖像分類(lèi)[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

5 張淑雅;趙曉宇;趙一鳴;李均利;;基于SVM的圖像分類(lèi)[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

6 李博;韓萍;;基于壓縮感知和SVM的極化SAR圖像分類(lèi)[A];第二十七屆中國(guó)（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2013年

7 朱松豪;胡娟娟;孫偉;;基于非歐空間高階統(tǒng)計(jì)的圖像分類(lèi)方法[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

8 潘海為;李建中;張煒;;基于像素聚類(lèi)的腦部醫(yī)學(xué)圖像分類(lèi)[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點(diǎn)特征提取的醫(yī)學(xué)圖像分類(lèi)[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

10 武進(jìn);尹愷;王長(zhǎng)明;張家才;;SVDM在蔬菜病害圖像分類(lèi)中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 胡堯;基于低秩矩陣估計(jì)的機(jī)器學(xué)習(xí)算法分析[D];浙江大學(xué);2015年

2 李昌英(Ri ChangYong);基于上下文信息的語(yǔ)義圖像分類(lèi)研究[D];浙江大學(xué);2014年

3 陳博;基于集成學(xué)習(xí)和特征選擇的極化SAR地物分類(lèi)[D];西安電子科技大學(xué);2015年

4 王曉東;基于稀疏特征學(xué)習(xí)的復(fù)雜圖像分類(lèi)[D];西安電子科技大學(xué);2014年

5 顧迎節(jié);面向圖像分類(lèi)的主動(dòng)學(xué)習(xí)算法研究[D];南京理工大學(xué);2015年

6 孟丹;基于深度學(xué)習(xí)的圖像分類(lèi)方法研究[D];華東師范大學(xué);2017年

7 趙鑫;圖像分類(lèi)中的判別性增強(qiáng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2013年

8 楊冰;基于藝術(shù)風(fēng)格的繪畫(huà)圖像分類(lèi)研究[D];浙江大學(xué);2013年

9 丁建睿;基于多示例學(xué)習(xí)的淺表器官超聲圖像分類(lèi)方法研究[D];哈爾濱工業(yè)大學(xué);2012年

10 賈世杰;基于內(nèi)容的商品圖像分類(lèi)方法研究[D];大連理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 張明靜;基于改進(jìn)遺傳算法的分塊綜合特征加權(quán)圖像分類(lèi)研究[D];華南理工大學(xué);2015年

2 李函怡;融合主動(dòng)學(xué)習(xí)的半監(jiān)督技術(shù)在圖像分類(lèi)中的應(yīng)用研究[D];西南大學(xué);2015年

3 王亞鳳;基于多特征的主動(dòng)學(xué)習(xí)方法在圖像分類(lèi)中的應(yīng)用研究[D];河北工程大學(xué);2015年

4 陳榮安;基于改進(jìn)的Bag-of-Features模型的圖像分類(lèi)研究[D];蘭州大學(xué);2015年

5 鐘畏丹;基于HSV和紋理特征的圖像分類(lèi)[D];華中師范大學(xué);2015年

6 焦陽(yáng);基于主動(dòng)學(xué)習(xí)的多標(biāo)簽圖像分類(lèi)方法研究[D];蘇州大學(xué);2015年

7 王騰川;基于主動(dòng)學(xué)習(xí)的SAR圖像分類(lèi)方法研究[D];上海交通大學(xué);2015年

8 NGUYEN QUANG KHANH;基于極化SAR目標(biāo)信息提取與SVM分類(lèi)[D];哈爾濱工業(yè)大學(xué);2015年

9 王朔琛;基于半監(jiān)督支持向量機(jī)的圖像分類(lèi)方法研究[D];陜西師范大學(xué);2015年

10 楊東坡;基于深度學(xué)習(xí)的商品圖像分類(lèi)[D];大連交通大學(xué);2015年

，

本文編號(hào)：1876271