發(fā)布時間：2018-10-24 16:56

【摘要】：針對矢量量化編碼的量化誤差嚴重,而稀疏編碼只是一種淺層學習模型,容易導致視覺詞典對圖像特征缺乏選擇性的問題,提出了一種基于深度學習特征編碼模型的圖像分類方法。首先,采用深度學習網(wǎng)絡(luò)無監(jiān)督的受限玻爾茲曼機(RBM)代替?zhèn)鹘y(tǒng)的K-Means聚類及稀疏編碼等方法對SIFT特征庫進行編碼學習,生成視覺詞典;其次,對RBM編碼添加正則化項分解組合每個特征的稀疏表示,使得生成的視覺單詞兼具稀疏性和選擇性;然后,利用訓練數(shù)據(jù)的類別標簽信息有監(jiān)督地自上而下對得到的初始視覺詞典進行微調(diào),得到圖像深度學習表示向量,以此訓練SVM分類器并完成圖像分類。實驗結(jié)果表明,本文方法能有效克服傳統(tǒng)矢量量化編碼及稀疏編碼等方法的缺點,有效地提升圖像分類性能。
[Abstract]:The quantization error of vector quantization coding is serious, but sparse coding is only a shallow learning model, which easily leads to the lack of selectivity to image features in visual dictionaries. An image classification method based on depth learning feature coding model is proposed. First of all, (RBM), an unsupervised restricted Boltzmann machine, is used to code the SIFT feature library instead of the traditional K-Means clustering and sparse coding methods. Secondly, a visual dictionary is generated. Add regularization decomposition to RBM coding to combine the sparse representation of each feature to make the generated visual words both sparse and selective. The classification label information of training data is used to fine-tune the initial visual dictionary and obtain the image depth learning representation vector. Then the SVM classifier is trained and the image classification is completed. Experimental results show that the proposed method can effectively overcome the shortcomings of traditional vector quantization coding and sparse coding, and improve the performance of image classification effectively.
【作者單位】： 武警工程大學電子技術(shù)系;河南財政金融學院信息工程系;63618部隊;
【基金】：國家自然科學基金資助項目(61379152;61301232) 全軍軍事學研究生課題資助項目(YJS1062)
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 陳戲墨,徐紅兵,李志銘,謝鉉洋,李曦,李揚彬;數(shù)據(jù)挖掘在醫(yī)學圖像分類中的應用[J];現(xiàn)代計算機(專業(yè)版);2005年01期

2 冀翠萍;孟祥增;;基于內(nèi)容的圖像分類體系[J];電腦知識與技術(shù)(學術(shù)交流);2007年07期

3 楊杰;陳曉云;;圖像分類方法比較研究[J];微計算機應用;2007年06期

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

5 葛寒娟;邱桃榮;王劍;盧強;李北;劉韜;聶斌;;一種基于相容信息粒原理的圖像分類方法[J];廣西師范大學學報(自然科學版);2008年03期

6 王軍;王員云;;粒計算及其在圖像分類中的應用研究[J];計算機工程與科學;2009年03期

7 吳軍;王士同;;基于正負模糊規(guī)則的相結(jié)合的圖像分類[J];計算機應用;2011年01期

8 吳軍;王士同;趙鑫;;正負模糊規(guī)則系統(tǒng)、極限學習機與圖像分類[J];中國圖象圖形學報;2011年08期

9 郝永寬;王威;聶維同;王德強;;圖像分類與聚類分析[J];數(shù)字技術(shù)與應用;2011年12期

10 蔣玲芳;張偉;司夢;;基于詞袋模型的電子報圖像分類方法研究[J];信陽師范學院學報(自然科學版);2013年01期

相關(guān)會議論文 前10條

1 鄭海紅;曾平;;一種基于圖像分類的逆半調(diào)算法[A];’2004計算機應用技術(shù)交流會議論文集[C];2004年

2 文振q;歐陽杰;朱為總;;基于語義特征與支持向量機的圖像分類[A];中國電子學會第十六屆信息論學術(shù)年會論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類技術(shù)在油品分析中的應用[A];中國儀器儀表學會第六屆青年學術(shù)會議論文集[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)學圖像分類[A];第六屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2010)、第19屆全國多媒體學術(shù)會議（NCMT2010）、第6屆全國人機交互學術(shù)會議（CHCI2010）、第5屆全國普適計算學術(shù)會議（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[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

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

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

8 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學圖像分類[A];第二十屆全國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點特征提取的醫(yī)學圖像分類[A];第二十四屆中國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2007年

10 武進;尹愷;王長明;張家才;;SVDM在蔬菜病害圖像分類中的應用[A];圖像圖形技術(shù)與應用進展——第三屆圖像圖形技術(shù)與應用學術(shù)會議論文集[C];2008年

相關(guān)博士學位論文 前10條

1 胡堯;基于低秩矩陣估計的機器學習算法分析[D];浙江大學;2015年

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

3 陳博;基于集成學習和特征選擇的極化SAR地物分類[D];西安電子科技大學;2015年

4 王曉東;基于稀疏特征學習的復雜圖像分類[D];西安電子科技大學;2014年

5 顧迎節(jié);面向圖像分類的主動學習算法研究[D];南京理工大學;2015年

6 趙鑫;圖像分類中的判別性增強研究[D];中國科學技術(shù)大學;2013年

7 楊冰;基于藝術(shù)風格的繪畫圖像分類研究[D];浙江大學;2013年

8 丁建睿;基于多示例學習的淺表器官超聲圖像分類方法研究[D];哈爾濱工業(yè)大學;2012年

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

10 李曉旭;基于概率主題模型的圖像分類和標注的研究[D];北京郵電大學;2012年

相關(guān)碩士學位論文 前10條

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

2 李函怡;融合主動學習的半監(jiān)督技術(shù)在圖像分類中的應用研究[D];西南大學;2015年

3 王亞鳳;基于多特征的主動學習方法在圖像分類中的應用研究[D];河北工程大學;2015年

4 陳榮安;基于改進的Bag-of-Features模型的圖像分類研究[D];蘭州大學;2015年

5 鐘畏丹;基于HSV和紋理特征的圖像分類[D];華中師范大學;2015年

6 焦陽;基于主動學習的多標簽圖像分類方法研究[D];蘇州大學;2015年

7 王騰川;基于主動學習的SAR圖像分類方法研究[D];上海交通大學;2015年

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

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

10 楊東坡;基于深度學習的商品圖像分類[D];大連交通大學;2015年

，

本文編號：2291981