【摘要】：基于多示例學(xué)習(xí)框架的圖像分類算法以其特有的多義性對(duì)象表示能力在圖像分類中表現(xiàn)出較好的分類效果。但傳統(tǒng)的包級(jí)空間多示例學(xué)習(xí)算法在特征選擇過(guò)程中存在忽略小目標(biāo)概念區(qū)域且包含大量冗余信息的問題,造成部分訓(xùn)練包信息損失,影響分類性能。為此,基于多示例學(xué)習(xí)與稀疏編碼理論提出1種改進(jìn)的多示例圖像分類算法。該算法首先根據(jù)同類樣本示例聚為一簇的特性,應(yīng)用聚類算法構(gòu)造每類圖像的視覺詞匯,并利用負(fù)包中所有示例都為負(fù)的特性,對(duì)視覺詞匯進(jìn)行約束,消除冗余信息;依據(jù)訓(xùn)練樣本示例與視覺詞匯的相似度,獲得每類訓(xùn)練樣本的包特征向量。然后,基于稀疏編碼理論,對(duì)訓(xùn)練包中的包特征向量進(jìn)行稀疏編碼,獲得每1類訓(xùn)練樣本的字典矩陣。最后,對(duì)待分類樣本特征進(jìn)行稀疏線性組合,預(yù)測(cè)待分類樣本的類別標(biāo)簽。通過(guò)對(duì)COREL數(shù)據(jù)集圖像進(jìn)行測(cè)試,結(jié)果表明,與其他多示例學(xué)習(xí)算法相比,文中提出的方法能較好地解決圖像分類問題,具有較高的分類精度。
[Abstract]:The image classification algorithm based on multi-example learning framework has better classification effect in image classification because of its unique multi-object representation ability. However, the traditional multi-example learning algorithm in packet-level space has the problem of neglecting the concept area of small target and containing a lot of redundant information in the process of feature selection, which results in the loss of part of the training packet information and affects the classification performance. Therefore, an improved multi-example image classification algorithm based on multi-example learning and sparse coding theory is proposed. The algorithm firstly constructs the visual vocabulary of each kind of image by using the clustering algorithm according to the characteristics of the same kind of sample examples clustered into a cluster, and uses the negative feature of all the examples in the negative packet to constrain the visual vocabulary and eliminate redundant information. According to the similarity between training samples and visual vocabulary, the packet feature vectors of each kind of training samples are obtained. Then, based on the sparse coding theory, the feature vector of the training packet is sparse coded, and the dictionary matrix of each training sample is obtained. Finally, a sparse linear combination is used to predict the class labels of the classified samples. By testing the images of COREL dataset, the results show that the proposed method can solve the problem of image classification better and has higher classification accuracy than other multi-example learning algorithms.
【作者單位】： 西北工業(yè)大學(xué)自動(dòng)化學(xué)院;
【基金】：航天科技創(chuàng)新基金(CASC201104) 航空科學(xué)基金(2012ZC53043)資助
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張新鵬;王朔中;;基于稀疏表示的密寫編碼[J];電子學(xué)報(bào);2007年10期

2 李映;張艷寧;許星;;基于信號(hào)稀疏表示的形態(tài)成分分析:進(jìn)展和展望[J];電子學(xué)報(bào);2009年01期

3 趙瑞珍;王飛;羅阿理;張彥霞;;基于稀疏表示的譜線自動(dòng)提取方法[J];光譜學(xué)與光譜分析;2009年07期

4 楊蜀秦;寧紀(jì)鋒;何東健;;基于稀疏表示的大米品種識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

5 史加榮;楊威;魏宗田;;基于非負(fù)稀疏表示的人臉識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年05期

6 高志榮;熊承義;笪邦友;;改進(jìn)的基于殘差加權(quán)的稀疏表示人臉識(shí)別[J];中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

7 朱杰;楊萬(wàn)扣;唐振民;;基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J];模式識(shí)別與人工智能;2012年05期

8 張疆勤;廖海斌;李原;;基于因子分析與稀疏表示的多姿態(tài)人臉識(shí)別[J];計(jì)算機(jī)工程與應(yīng)用;2013年05期

9 李正周;王會(huì)改;劉梅;丁浩;金鋼;;基于形態(tài)成分稀疏表示的紅外小弱目標(biāo)檢測(cè)[J];彈箭與制導(dǎo)學(xué)報(bào);2013年04期

10 胡正平;趙淑歡;李靜;;基于塊稀疏遞推殘差分析的稀疏表示遮擋魯棒識(shí)別算法研究[J];模式識(shí)別與人工智能;2014年01期

相關(guān)會(huì)議論文 前1條

1 樊亞翔;孫浩;周石琳;鄒煥新;;基于元樣本稀疏表示的多視角目標(biāo)識(shí)別[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李進(jìn)明;基于稀疏表示的圖像超分辨率重建方法研究[D];重慶大學(xué);2015年

2 姚明海;視頻異常事件檢測(cè)與認(rèn)證方法研究[D];東北師范大學(xué);2015年

3 王瑾;基于稀疏表示的數(shù)據(jù)收集、復(fù)原與壓縮研究[D];北京工業(yè)大學(xué);2015年

4 薛明;基于稀疏表示的在線目標(biāo)跟蹤研究[D];上海交通大學(xué);2014年

5 程廣濤;基于壓縮感知的人臉識(shí)別方法研究[D];天津大學(xué);2015年

6 黃丹丹;基于稀疏表示的視覺目標(biāo)跟蹤方法研究[D];大連理工大學(xué);2016年

7 趙淑歡;欠完備采樣環(huán)境下面向數(shù)據(jù)的稀疏表示人臉識(shí)別研究[D];燕山大學(xué);2016年

8 劉海倉(cāng);基于稀疏表示的圖像超分辨率與目標(biāo)跟蹤方法研究[D];湖南大學(xué);2015年

9 項(xiàng)鳳濤;基于稀疏表示與優(yōu)化的圖像信息處理方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

10 劉兆棟;基于稀疏表示理論的圖像去噪與融合算法研究[D];重慶大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 王道文;基于稀疏表示的目標(biāo)跟蹤算法研究[D];華南理工大學(xué);2015年

2 孫雪青;Shearlet變換和稀疏表示相結(jié)合的甲狀腺結(jié)節(jié)圖像融合[D];河北大學(xué);2015年

3 吳麗璇;基于稀疏表示的微聚焦X射線圖像去噪方法[D];華南理工大學(xué);2015年

4 趙孝磊;基于圖像分塊稀疏表示的人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

5 黃志明;基于辨別式稀疏字典學(xué)習(xí)的視覺追蹤算法研究[D];華南理工大學(xué);2015年

6 張鈴華;非約束環(huán)境下的稀疏表示人臉識(shí)別算法研究[D];南京信息工程大學(xué);2015年

7 應(yīng)艷麗;基于低秩稀疏表示的目標(biāo)跟蹤算法研究[D];西南交通大學(xué);2015年

8 梁曉捷;基于網(wǎng)絡(luò)攝像頭與稀疏表示分類法的實(shí)時(shí)人臉識(shí)別系統(tǒng)應(yīng)用研究[D];五邑大學(xué);2015年

9 陳蒙;基于稀疏表示特征的人臉識(shí)別方法研究[D];深圳大學(xué);2015年

10 袁文;基于稀疏表示的行人檢測(cè)方法研究[D];南京理工大學(xué);2015年

，

本文編號(hào)：2391548