图像分类中图像表达与分类器关键技术研究

摘要

图像分类是计算机视觉领域中十分重要的一个研究课题，在日常生活、工业生产、医疗设备、军事活动等多个领域都起到了十分重要的作用，大数据时代的来临进一步增加了它的应用价值。然而随着图像数量和种类的不断增加，加上图像本身受到光照、姿态、背景干扰、目标遮挡等多种因素的影响，使得图像分类问题具有相当的挑战性。通常情况下一个完整的图像分类框架包括特征提取、图像表达和分类器三个关键步骤。本文系统总结了三个步骤中的代表性工作，并重点研究了图像表达和分类器两个模块，提出了一种新的图像表达方案和分类算法。
　　图像表达方面，大量工作表明在构造图像表达时保留特征的局部性和利用高阶信息对最终的表达能力十分重要。受此启发本文在局部聚合方法的基础上引入了高阶信息，提出了一种高阶局部聚合方法。该方法首先在特征空间和图像空间两个层面分别进行局部高阶聚合，得到高斯分布来表达图像的局部信息。因为高斯分布处在黎曼空间上，本文进而研究了对其进行编码的可行方案，提出了一种简单高效的将协方差对角的高斯分布映射到线性空间的方法，然后便可以利用欧式空间的经典方法对高斯分布进行编码得到最终的图像表达。该方法无论是使用经典的手工特征还是卷积神经网络特征都表现出了十分优异的性能。
　　分类器方面，当下流行的基于卷积神经网络特征的图像表达都是直接利用支持向量机进行分类，而基于最近邻的分类器则很少受到关注，现有的少数几篇基于朴素贝叶斯最近邻分类器的工作性能也都不尽人意。本文为了克服这类方法的缺陷，提出了一种新的大间隔最近子空间分类器。首先区别于在特征空间的匹配方式，本文在图像表达层面定义了三种图像到图像类的距离形式，将分类速度提升了数百倍。然后在此基础上进行了大间隔的度量学习进一步显著的提升了分类性能。此外本文还提出了一种简单高效的利用卷积神经网络特征的图像表达方法，并将其与大间隔最近子空间分类器结合在多个图像分类任务中取得了十分有竞争力的结果。
　　另外本文在多种图像分类任务，如场景分类，目标识别，纹理分类，精细分类等多种共8个标准数据集上进行了大量实验比较，这些实验表明本文提出的方法具有优异的性能和很强的通用性。

目录

声明

摘要

1 绪论

1．1 图像分类研究的背景与意义

1．2 图像分类方法的研究现状

1．2．1 特征提取

1．2．2 图像表达

1．2．3 分类算法

1．3 本文的研究内容

2 经典的图像分类方法

2．1 引言

2．2 图像表达方法

2．2．1 词袋模型

2．2．2 稀疏表示

2．2．3 高阶编码

2．2．3 局部聚合

2．3 图像分类算法

2．3．1 支持向量机

2．3．2 最近邻分类器

2．4 本章小结

3 基于高阶局部聚合的图像表达

3．1 引言

3．2 高阶局部聚合

3．3 编码高斯分布

3．4 实验结果与分析

3．4．1 数据集和实验参数设置

3．4．2 参数评估

3．4．3 与其他方法的比较

3．5 本章小结

4 大间隔最近邻子空间分类器

4．1 引言

4．2 基于CNN特征的图像表达

4．3 大间隔最近子空间分类器

4．3．1 图像表达的I2C距离

4．3．2 大间隔框架下的I2C度量学习

4．4 实验结果与分析

4．4．1 实验设置与数据集

4．4．2 性能评估与比较

4．5 本章小结

结论

参考文献

附录

攻读硕士学位期间发表学术论文情况

致谢