發(fā)布時(shí)間：2018-02-16 19:15

  本文關(guān)鍵詞： 圖像分類 分層特征學(xué)習(xí) 正交匹配追蹤 空間池化 核稀疏表示　出處：《天津大學(xué)》2016年博士論文　論文類型：學(xué)位論文

【摘要】：隨著計(jì)算機(jī)網(wǎng)絡(luò)和多媒體技術(shù)的迅速發(fā)展,圖像作為信息傳播的重要載體,使得人類對(duì)事物的認(rèn)知趨于簡(jiǎn)捷化。但面對(duì)海量圖像數(shù)據(jù)時(shí),如何對(duì)其進(jìn)行高效分析和管理,已經(jīng)成為亟待解決的問題。圖像分類成為解決這類問題的基本途徑,并被廣泛應(yīng)用于醫(yī)學(xué)圖像分析、基于內(nèi)容的圖像檢索、網(wǎng)絡(luò)圖像搜索、基于手勢(shì)的人機(jī)交互界面及機(jī)器人視覺等方向。圖像分類中極具挑戰(zhàn)性的任務(wù)是如何使計(jì)算機(jī)準(zhǔn)確分辨圖像各類間的相似性和類內(nèi)差異性,而獲取有效的圖像表示則是其中的關(guān)鍵因素。因此,本文將探索用于深度結(jié)構(gòu)的訓(xùn)練策略,圍繞圖像特征的提取過程,構(gòu)建不同的分層稀疏表示模型。主要工作和創(chuàng)新點(diǎn)包含以下幾個(gè)方面:(1)由于深度學(xué)習(xí)在計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)中的高速發(fā)展,特征表示對(duì)人工設(shè)計(jì)描述子的依賴正在減弱。而傳統(tǒng)的判別式字典學(xué)習(xí)算法依然采用基于尺度不變特征變換(Scale Invariant Feature Transform,SIFT)描述子的空間金字塔特征進(jìn)行相應(yīng)的稀疏編碼。因此,本文提出一種完全自動(dòng)建立在圖像原始像素基礎(chǔ)上的分層特征學(xué)習(xí)結(jié)構(gòu),利用帶有標(biāo)簽一致性約束的K-SVD(Label Consistent K-SVD,LC-KSVD)算法對(duì)已獲取的圖像特征訓(xùn)練判別式字典和最優(yōu)的線性分類器。針對(duì)不同類型的圖像數(shù)據(jù)集,該算法僅提取灰度或RGB類型圖像塊,在稠密采樣后,使用高效的正交匹配追蹤(Orthogonal Matching Pursuit,OMP)編碼器得到分層的稀疏表示。因?yàn)榻Y(jié)合了分層特征學(xué)習(xí)和有監(jiān)督字典學(xué)習(xí)的優(yōu)勢(shì),提出的算法明顯提高了圖像分類準(zhǔn)確率。(2)針對(duì)非負(fù)正交匹配追蹤(Non-negative OMP,NOMP)的編碼效率問題,本文研究了快速非負(fù)正交匹配追蹤(Fast NOMP,FNOMP)并將其應(yīng)用于基于分層特征學(xué)習(xí)的全尺寸圖像分類任務(wù)中,該算法可利用QR分解和系數(shù)迭代進(jìn)行加速。將FNOMP與非監(jiān)督式的分層訓(xùn)練方式進(jìn)行結(jié)合后,僅利用gain-shape矢量量化作為字典學(xué)習(xí)方法,在稀疏編碼階段,FNOMP不僅明顯比NOMP編碼器更為高效,而且在圖像分類準(zhǔn)確率上優(yōu)于基于OMP的算法。實(shí)驗(yàn)同時(shí)證明了該算法相對(duì)其它先進(jìn)算法表現(xiàn)出更好的分類性能。(3)針對(duì)在深度網(wǎng)絡(luò)中如何學(xué)習(xí)更優(yōu)的空間池化策略,本文提出了一種聯(lián)合可學(xué)習(xí)感受野的分層稀疏表示算法。該算法利用分類器與池化權(quán)重聯(lián)合優(yōu)化的方式構(gòu)造池化算子,可獲得更加豐富的基于特征的池化區(qū)域集。通過分析取和、取平均和取最大值三種不同類型的預(yù)池化方法,并結(jié)合編碼階段的稀疏度,字典規(guī)模以及感受野尺寸等相關(guān)參數(shù)的討論,實(shí)驗(yàn)結(jié)果證明了所提算法在全尺寸圖像分類任務(wù)上的有效性。(4)針對(duì)基于多核學(xué)習(xí)(Multiple Kernel Learning,MKL)的圖像分類具有高計(jì)算復(fù)雜度和有效性評(píng)價(jià)不一致的問題,本文提出了一種基于分層特征級(jí)聯(lián)的核稀疏表示算法。首先,該算法利用批量核正交匹配追蹤(Batch Kernel OMP,BKOMP)分別對(duì)概率密度函數(shù)梯度方向直方圖和空間金字塔特征進(jìn)行單層的核稀疏編碼,然后將兩類低維核稀疏表示進(jìn)行級(jí)聯(lián),再通過基于核方法的KSVD(Kernel K-SVD,KKSVD)學(xué)習(xí)字典,最后由BKOMP生成最終的核稀疏表示并完成對(duì)線性支持向量機(jī)的訓(xùn)練。實(shí)驗(yàn)證明,當(dāng)對(duì)各層特征選擇適當(dāng)?shù)暮撕瘮?shù)及相應(yīng)參數(shù)時(shí),由此獲取的低維核稀疏表示在多類圖像數(shù)據(jù)集測(cè)試中均顯著提高了圖像分類準(zhǔn)確率。
[Abstract]:......
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【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 耿耀君;張軍英;袁細(xì)國(guó);;一種基于稀疏表示系數(shù)的特征相關(guān)性測(cè)度[J];模式識(shí)別與人工智能;2013年01期

9 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

10 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

相關(guān)會(huì)議論文 前10條

1 何愛香;劉玉春;魏廣芬;;基于稀疏表示的煤矸界面識(shí)別研究[A];虛擬運(yùn)營(yíng)與云計(jì)算——第十八屆全國(guó)青年通信學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2013年

2 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

3 鄭海紅;曾平;;一種基于圖像分類的逆半調(diào)算法[A];’2004計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)議論文集[C];2004年

4 文振q;歐陽杰;朱為總;;基于語義特征與支持向量機(jī)的圖像分類[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

5 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(yīng)用[A];中國(guó)儀器儀表學(xué)會(huì)第六屆青年學(xué)術(shù)會(huì)議論文集[C];2004年

6 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學(xué)圖像分類[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

7 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(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

8 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(guó)（天津）2013IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2013年

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

10 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學(xué)圖像分類[A];第二十屆全國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

相關(guān)博士學(xué)位論文 前10條

1 王博;面向圖像分類的分層稀疏表示方法研究[D];天津大學(xué);2016年

2 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

3 王亞寧;基于信號(hào)稀疏表示的電機(jī)故障診斷研究[D];河北工業(yè)大學(xué);2014年

4 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

5 黃國(guó)華;蛋白質(zhì)翻譯后修飾位點(diǎn)與藥物適應(yīng)癥預(yù)測(cè)方法研究[D];上海大學(xué);2015年

6 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

7 王文卿;基于融合框架與稀疏表示的遙感影像銳化[D];西安電子科技大學(xué);2015年

8 解虎;高維小樣本陣列自適應(yīng)信號(hào)處理方法研究[D];西安電子科技大學(xué);2015年

9 秦振濤;基于稀疏表示及字典學(xué)習(xí)遙感圖像處理關(guān)鍵技術(shù)研究[D];成都理工大學(xué);2015年

10 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

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 李哲;基于稀疏表示和LS-SVM的心電信號(hào)分類[D];河北大學(xué);2015年

3 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

4 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

5 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

6 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

7 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

8 賀妍斐;基于稀疏表示與自適應(yīng)倒易晶胞的遙感圖像復(fù)原方法研究[D];南京信息工程大學(xué);2015年

9 楊爍;電能質(zhì)量擾動(dòng)信號(hào)的稀疏表示/壓縮采樣研究[D];西南交通大學(xué);2015年

10 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

，

本文編號(hào)：1516241