【摘要】：圖像表示是圖像處理和圖像理解研究中的關(guān)鍵問題之一.在圖像的低層表示上有很多重要的研究工作,例如HOG,SIFT等.然而在圖像的低層表示和高層語(yǔ)義間仍然存在著巨大的鴻溝.因而,很多機(jī)器學(xué)習(xí)的方法被用來學(xué)習(xí)圖像的高層表示,例如主成分分析,稀疏編碼,非負(fù)矩陣分解以及低秩表示等.傳統(tǒng)機(jī)器學(xué)習(xí)假設(shè)標(biāo)記圖像和未標(biāo)記圖像服從同一分布,圖像表示的誤差服從高斯分布.然而現(xiàn)實(shí)中圖像數(shù)據(jù)更新速度快,而且圖像生成環(huán)境存在差異性,導(dǎo)致未標(biāo)記圖像與已標(biāo)記圖像不服從同一分布,因而需要重新標(biāo)記數(shù)據(jù)和訓(xùn)練模型.并且圖像數(shù)據(jù)容易出現(xiàn)異常,例如遮擋、腐蝕等等,從而不能再用高斯分布來估計(jì)誤差.遷移學(xué)習(xí)允許標(biāo)記圖像(訓(xùn)練數(shù)據(jù))和未標(biāo)記圖像(測(cè)試數(shù)據(jù))服從不同的分布.基于遷移學(xué)習(xí)的圖像表示方法學(xué)習(xí)一個(gè)新的好的特征空間.在這個(gè)新的特征空間下,可以較好地描述標(biāo)記圖像和未標(biāo)記圖像的語(yǔ)義信息.并且在這個(gè)新的特征空間下,從訓(xùn)練集中標(biāo)記圖像上學(xué)習(xí)到的統(tǒng)計(jì)模型(例如分類模型),可以較好地遷移到測(cè)試集中未標(biāo)記圖像上,從而充分利用已標(biāo)記圖像,將學(xué)習(xí)到的知識(shí)遷移到未標(biāo)記的圖像集上.該文提出了一種基于遷移魯棒稀疏編碼的圖像表示方法,引入權(quán)值矩陣削弱異常點(diǎn)對(duì)分類的干擾,使用稀疏編碼獲得數(shù)據(jù)的高級(jí)語(yǔ)義,利用最小化最大均值差異縮小源域和目標(biāo)域圖像集之間的分布差異以及圖拉普拉斯項(xiàng)保留圖像集的幾何特性.該文的主要貢獻(xiàn)在于:一是通過權(quán)值矩陣泛化殘差分布,使得所提出的基于遷移魯棒稀疏編碼的圖像表示方法能大大減少異常點(diǎn)對(duì)編碼和字典學(xué)習(xí)的影響;二是在魯棒字典學(xué)習(xí)過程中,采用正則化參數(shù)代替遷移稀疏編碼中的字典約束,從而將其轉(zhuǎn)化為無約束優(yōu)化問題,避免了拉格朗日求解法的復(fù)雜性.在幾個(gè)通用遷移學(xué)習(xí)數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)結(jié)果表明,該文所提出的圖像表示方法在分類上的平均準(zhǔn)確率比其它6種相關(guān)主流方法均有不同程度的提高,證明了其有效性和魯棒性.
[Abstract]:Image representation is one of the key issues in image processing and image understanding. There are many important research work on the low-level representation of images, such as HOG,SIFT. However, there is still a huge gap between the low-level representation and the high-level semantics of the image. Therefore, many machine learning methods are used to study high-level representation of images, such as principal component analysis, sparse coding, non-negative matrix decomposition and low-rank representation. Traditional machine learning assumes that marked image and unmarked image obey the same distribution, and the error of image representation follows Gao Si distribution. However, in reality, the updating speed of image data is fast, and there are differences in the environment of image generation, which results in the disobedience of unmarked image and marked image to the same distribution, so it is necessary to re-label the data and training model. And the image data are easy to appear abnormal, such as occlusion, corrosion and so on, so Gao Si distribution can no longer be used to estimate the error. Migration learning allows marked images (training data) and untagged images (test data) to follow different distributions. Image representation method based on migration learning to learn a new good feature space. In this new feature space, the semantic information of marked image and unmarked image can be well described. And in this new feature space, statistical models (such as classification models) learned from marked images in training sets can be well migrated to untagged images in test sets, thus making full use of tagged images. Migrate the learned knowledge to an untagged set of images. In this paper, an image representation method based on migration robust sparse coding is proposed. The weight matrix is introduced to weaken the interference of outliers on the classification, and the sparse coding is used to obtain the high level semantics of the data. The distribution difference between the source domain and the target domain is reduced by minimizing the maximum mean difference, and the geometric properties of the image set reserved by the Tulapulas term are also reduced. The main contributions of this paper are as follows: firstly, the residual distribution is generalized by weight matrix, so that the proposed image representation method based on migration robust sparse coding can greatly reduce the influence of outliers on coding and dictionary learning; Second, in the process of robust dictionary learning, regularization parameters are used to replace dictionary constraints in migration sparse coding, which is transformed into an unconstrained optimization problem, thus avoiding the complexity of Lagrangian solution. The experimental results on several general transfer learning data sets show that the average classification accuracy of the proposed image representation method is higher than that of the other six mainstream methods to some extent. Its effectiveness and robustness are proved.
【作者單位】： 安徽大學(xué)計(jì)算智能與信號(hào)處理教育部重點(diǎn)實(shí)驗(yàn)室;安徽大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61602004,61472001) 安徽省高校自然科學(xué)研究重點(diǎn)項(xiàng)目(KJ2016A041) 安徽省自然科學(xué)基金(1408085MF122,1508085MF127) 安徽大學(xué)信息保障技術(shù)協(xié)同創(chuàng)新中心公開招標(biāo)課題(ADXXBZ2014-5,ADXXBZ2014-6)資助~~
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫俊,王文淵,卓晴;基于稀疏編碼的提取人臉整體特征算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年03期

2 晁永國(guó);戴芳;韓舒然;何靜;;改進(jìn)的非負(fù)稀疏編碼圖像基學(xué)習(xí)算法[J];計(jì)算機(jī)工程與科學(xué);2010年01期

3 謝堯芳;蘇松志;李紹滋;;基于稀疏編碼的遷移學(xué)習(xí)及其在行人檢測(cè)中的應(yīng)用[J];廈門大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

4 郎利影;夏飛佳;;人臉識(shí)別中的零范數(shù)稀疏編碼[J];應(yīng)用科學(xué)學(xué)報(bào);2012年03期

5 程?hào)|陽(yáng);蔣興浩;孫錟鋒;;基于稀疏編碼和多核學(xué)習(xí)的圖像分類算法[J];上海交通大學(xué)學(xué)報(bào);2012年11期

6 鄒柏賢;苗軍;;自然圖像稀疏編碼模型研究綜述[J];鄭州大學(xué)學(xué)報(bào)(工學(xué)版);2013年03期

7 劉偉鋒;劉紅麗;王延江;;基于多分離部件稀疏編碼的人臉圖像分析[J];模式識(shí)別與人工智能;2013年11期

8 張抒;蔡勇;解梅;;基于局部區(qū)域稀疏編碼的人臉檢測(cè)[J];軟件學(xué)報(bào);2013年11期

9 單桂軍;廖建鋒;;最大似然稀疏編碼在人臉識(shí)別中的研究[J];電視技術(shù);2013年23期

10 王瑞霞;彭國(guó)華;鄭紅嬋;;拉普拉斯稀疏編碼的圖像檢索算法[J];計(jì)算機(jī)科學(xué);2014年08期

相關(guān)會(huì)議論文 前3條

1 尚麗;;使用正態(tài)可逆高斯密度模型的非負(fù)稀疏編碼收縮技術(shù)實(shí)現(xiàn)圖像消噪[A];蘇州市自然科學(xué)優(yōu)秀學(xué)術(shù)論文匯編(2008-2009)[C];2010年

2 于萬波;趙慶賢;易欣;;基于神經(jīng)網(wǎng)的圖像表示方法[A];中國(guó)圖象圖形學(xué)會(huì)第十屆全國(guó)圖像圖形學(xué)術(shù)會(huì)議（CIG’2001）和第一屆全國(guó)虛擬現(xiàn)實(shí)技術(shù)研討會(huì)（CVR’2001）論文集[C];2001年

3 劉揚(yáng);程健;盧漢清;;基于目標(biāo)局部特征的遷移式學(xué)習(xí)[A];第十四屆全國(guó)圖象圖形學(xué)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 孫宇平;基于稀疏表征和自相似性的視覺數(shù)據(jù)識(shí)別關(guān)鍵技術(shù)及應(yīng)用[D];華南理工大學(xué);2015年

2 呂京磊;基于功能磁共振成像的大腦架構(gòu)表達(dá)的研究[D];西北工業(yè)大學(xué);2016年

3 王婧;面向在線環(huán)境的數(shù)據(jù)編碼問題研究[D];合肥工業(yè)大學(xué);2015年

4 李清勇;視覺感知的稀疏編碼理論及其應(yīng)用研究[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2006年

5 季昊;稀疏編碼研究及其在模式識(shí)別中的應(yīng)用[D];北京郵電大學(xué);2012年

6 江波;基于圖理論與稀疏約束模型的圖像表示、匹配與識(shí)別[D];安徽大學(xué);2015年

7 謝凌曦;基于局部特征的圖像表示模型理論與實(shí)踐[D];清華大學(xué);2015年

8 朱杰;基于顏色詞袋模型的圖像表示方式[D];北京交通大學(xué);2016年

9 楊政;基于帶約束矩陣的圖像表示與檢索算法研究[D];浙江大學(xué);2016年

10 張鍵;面向人臉識(shí)別的圖像表示和分類研究[D];南京理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 柏文強(qiáng);基于局部特征提取和稀疏編碼的人臉識(shí)別算法研究[D];燕山大學(xué);2015年

2 李明;目標(biāo)檢測(cè)與識(shí)別算法研究與應(yīng)用[D];中央民族大學(xué);2015年

3 許濤;面向視頻管理的指紋特征提取技術(shù)研究[D];電子科技大學(xué);2015年

4 謝易道;大規(guī)模人臉圖像編碼及其在人臉驗(yàn)證中的應(yīng)用研究[D];電子科技大學(xué);2015年

5 勾珍珍;基于空間約束和稀疏編碼的高光譜圖像分類[D];西安電子科技大學(xué);2014年

6 張文義;基于智能監(jiān)控系統(tǒng)的圖像質(zhì)量增強(qiáng)算法的研究[D];南京郵電大學(xué);2015年

7 丁文秀;基于分層深度學(xué)習(xí)的行人分類方法研究[D];合肥工業(yè)大學(xué);2015年

8 賀兵;基于稀疏編碼哈希的跨模多媒體檢索[D];安徽大學(xué);2016年

9 申丹飛;基于篩選稀疏編碼的多特征融合圖像分類方法[D];華東師范大學(xué);2016年

10 孟浩浩;基于秩限制的聯(lián)合字典學(xué)習(xí)[D];北京理工大學(xué);2016年

，

本文編號(hào)：2443806