【摘要】：隨著視頻采集和網(wǎng)絡(luò)傳輸技術(shù)的快速發(fā)展以及個(gè)人移動(dòng)終端設(shè)備的廣泛使用,大量圖像數(shù)據(jù)以集合形式存在.集合內(nèi)在結(jié)構(gòu)的復(fù)雜性使得如何度量集合間距離成為圖像集分類的一個(gè)關(guān)鍵問題.為了解決這一問題,提出了一種基于雙稀疏正則的圖像集距離學(xué)習(xí)框架(double sparse regularizations for image set distance learning,簡(jiǎn)稱DSRID).在該框架中,兩集合間距離被建模成其對(duì)應(yīng)的內(nèi)部典型子結(jié)構(gòu)間的距離,從而保證了度量的魯棒性和判別性.根據(jù)不同的集合表示方法,給出了其在傳統(tǒng)的歐式空間以及兩個(gè)常見的流形空間,即對(duì)稱正定矩陣流形(symmetric positive definite matrices manifold,簡(jiǎn)稱SPD manifold)和格林斯曼流形(Grassmann manifold)上的實(shí)現(xiàn).在一系列的基于集合的人臉識(shí)別、動(dòng)作識(shí)別和物體分類任務(wù)中驗(yàn)證了該框架的有效性.
[Abstract]:With the rapid development of video capture and network transmission technology and the wide use of personal mobile terminal equipment, a large number of image data exist in the form of collections. Because of the complexity of the internal structure of sets, how to measure the distance between sets has become a key problem in image set classification. In order to solve this problem, a distance learning framework (double sparse regularizations for image set distance learning, for image sets based on double sparse regularity is proposed, which is called DSRID). For short. In this framework, the distance between the two sets is modeled as the distance between its corresponding internal typical substructures, thus ensuring the robustness and discrimination of the measurement. According to different set representation methods, its implementation on traditional Euclidean spaces and two common manifolds, namely symmetric positive definite matrix manifolds (symmetric positive definite matrices manifold, for short SPD manifold) and Greensmann manifolds (Grassmann manifold), is given. The effectiveness of the framework is verified in a series of set-based face recognition, action recognition and object classification tasks.
【作者單位】： 交通數(shù)據(jù)分析與挖掘北京市重點(diǎn)實(shí)驗(yàn)室(北京交通大學(xué));河北農(nóng)業(yè)大學(xué)信息科學(xué)與技術(shù)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61370129,61375062,61632004) CCF-騰訊犀牛鳥基金(RAGR20150116) 長(zhǎng)江學(xué)者和創(chuàng)新團(tuán)隊(duì)發(fā)展計(jì)劃(IRT201206) 保定市科學(xué)技術(shù)和知識(shí)產(chǎn)權(quán)局項(xiàng)目(16ZG026)~~
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 呂煊;王志成;趙衛(wèi)東;劉玉淑;;一種基于低秩描述的圖像集分類方法[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

2 王銳拓;趙耀;林春雨;白慧慧;劉美琴;;基于圖像集大小優(yōu)化的圖像集壓縮算法[J];鐵道學(xué)報(bào);2014年07期

3 華艷秋;;淺談圖像集在視覺概念檢測(cè)中的應(yīng)用[J];科技資訊;2012年20期

4 汪粼波;郭延文;夏天辰;金國(guó)平;;樣本驅(qū)動(dòng)的半自動(dòng)圖像集前背景分割[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2013年06期

5 余平;楊有;尚晉;;基于模板差分的檔案圖像集合冗余壓縮研究[J];計(jì)算機(jī)科學(xué);2011年07期

6 曾青松;;黎曼流形上的保局投影在圖像集匹配中的應(yīng)用[J];中國(guó)圖象圖形學(xué)報(bào);2014年03期

7 曾青松;;基于支持向量域描述的圖像集匹配[J];模式識(shí)別與人工智能;2014年08期

8 包金宇;王慧斌;陳哲;沈潔;;基于背景圖像集與稀疏分析的運(yùn)動(dòng)目標(biāo)檢測(cè)[J];計(jì)算機(jī)應(yīng)用;2013年05期

9 王耀明,王仲國(guó),沈毅俊;圖像集的離散度矩陣及其在人臉圖像識(shí)別中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用與軟件;2001年05期

10 詹宇斌;殷建平;李寬;;缺失像素圖像集的流形學(xué)習(xí)算法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2011年03期

相關(guān)博士學(xué)位論文 前2條

1 劉博;子空間學(xué)習(xí)及其在圖像集分類中的應(yīng)用研究[D];北京交通大學(xué);2017年

2 趙燁;大規(guī)模圖像集自動(dòng)摘要技術(shù)研究[D];合肥工業(yè)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李岳尊;一種適用于網(wǎng)絡(luò)圖像集的聯(lián)合分割方法[D];山東大學(xué);2015年

2 沈映菊;基于圖像集的視覺目標(biāo)跟蹤算法研究[D];華僑大學(xué);2015年

3 王巖;基于權(quán)重協(xié)方差表示的圖像集分類[D];大連理工大學(xué);2015年

4 王銳拓;圖像集壓縮算法研究[D];北京交通大學(xué);2016年

5 張宇卉;基于反向訓(xùn)練和深度學(xué)習(xí)的植物圖像集分類算法研究[D];華僑大學(xué);2016年

6 陳燭薔;基于圖方法的圖像集合表示與分類[D];安徽大學(xué);2017年

7 邵每文;流形與凸包建模的植物圖像集分類算法研究[D];華僑大學(xué);2015年

8 李銳杰;基于LBP的人臉圖像集識(shí)別算法的研究[D];吉林大學(xué);2014年

9 蓋健;基于旋轉(zhuǎn)不變LBP的圖像集人臉識(shí)別算法[D];吉林大學(xué);2015年

10 寧尚軍;基于R_1-PCA的圖像集人臉識(shí)別算法的研究[D];吉林大學(xué);2015年

，

本文編號(hào)：2517249