視覺屬性是圖像的基本特征,基于屬性及相對屬性學習已經(jīng)成為計算機視覺領域內(nèi)新的研究熱點。由于計算機是用二進制數(shù)據(jù)來表達的,而人類傳遞的語言信息則是千變?nèi)f化的,從而導致了底層數(shù)據(jù)信息和高層語義信息之間存在著“語義鴻溝”。而視覺屬性是一種中級別圖像特征,它一般是人為命名的(如“尖的”、“笑的”),所以能捕捉更多的語義關系,正好能解決“語義鴻溝”問題。于是大量的視覺屬性研究工作應運而生,但是這些主要都是關于識別物體的一個屬性存在與否,也即二值屬性。近幾年來,基于相對屬性學習的研究層出不窮。除了利用全局排序函數(shù)模型來進行相對屬性學習的方法,也有針對精細視覺比較的局部學習方法。這些方法盡管能預測圖像對中的圖像屬性強度哪個更強或更弱,但是不能預測屬性強度相似的情形。隨后,大量研究者提出了基于深度學習的相對屬性模型。這些研究雖然都取得較好的實驗效果,但是因為深度學習的結構特性造成較高的時間復雜度和空間復雜度。針對當前基于相對屬性學習的視覺比較模型局限性,本文的研究內(nèi)容有:針對精細度不高的視覺比較,提出一種更精準的全局視覺比較模型;針對精細的視覺比較,提出一種更精確的局部視覺比較模型;針對能同時預測更強...

【文章頁數(shù)】：106 頁

【學位級別】：博士

【部分圖文】：

圖１．２零樣本學習??－

斷出Ｕ類的概率分布，這樣我們就可以進行圖像或視頻分類。常規(guī)的樣??本學習如果缺乏訓練樣本，則會導致學習效果大打折扣。為了解決這個??問題，一般情況下知識遷移可以完成。遷移學習方法就是將先驗知識從??源類別遷移到目標類別，該方法一定程度上避免了由于缺失訓練樣本而??造成分類器失效的....

圖１．３二值屬性的比較??

對于一張?zhí)幱诖蟆靶Α迸c不“笑”之間的圖像，可以利用它們之間“笑”屬性的??相對程度，很容易對這幅圖像進行描述：這一張圖像的“笑”的強度比左邊一張??圖像的更弱，但是比右邊一張圖像“笑”的強度更強，如圖１．３所示。??７??

圖１．４粗糙比較和精細比較??

約束圖像對數(shù)量越多，訓練的全局排序函數(shù)性能越好。但是這主要適合粗??糙的視覺比較情況，對于面對一些細微的精細比較的情況這個方法就要大打折扣。??如圖１．４所示，左邊兩幅圖像對就是基于粗糙的視覺比較，而右邊的就是基于精??細的視覺比較，咋一看，很難對右邊的圖像對進行視覺比較。于是，....

圖２．３排序函數(shù)的差別??Ｆｉｇ．?２．３?Ｔｈｅ?ｄｉｆｆｅｒｅｎｃｅ?ｏｆ?ｒａｎｋ?ｆｕｎｃｔｉｏｎｓ??

的差值來訓練模型。在最小誤差的原則下，我們采用牛頓法［８（）］來進行求解這一??訓練模型。通過最大化或者最小化丨丨叫ＪＩ來學習最后的排序函數(shù)。例如，??Ｗ＾ｍＷ??如圖２．３所示，若分別采用兩個投影向量叫和叫來確定圖中的４個點之間的排序??關系，由于通過計算得到的投影向量之間的差....

本文編號：3920344