基于词典学习的细粒度图像分类方法研究

摘要

图像分类因其具有广泛的实际应用价值，长期以来都是计算机视觉领域的研究热点。基于协同表示的图像分类算法能够很好的解决一般的图像分类问题，但是对于类内差异大、类间差异小的细粒度图像，传统的图像分类算法很难做到对其进行精确分类。为此，相关领域的专家学者们从特征提取和改进分类算法两个方面开展了一系列研究工作。本文使用卷积神经网络提取图像特征，改进基于协同表示的图像分类算法，并应用于细粒度图像分类中，主要工作如下： 1.研究了卷积神经网络的结构、特点及图像特征提取过程，并在应用卷积神经网络提取图像特征的过程中加入空间金字塔匹配算法，获取具有空间信息的图像特征。 2.提出了基于核协同表示的类特定词典学习算法。在基于协同表示的图像分类算法的基础上加入词典训练过程，为训练样本分配不同的权重，并将改进后的算法扩展到核空间，进一步获取数据之间的非线性信息。在五个数据库上的实验结果表明，基于核协同表示的类特定词典学习算法在一定程度上提高了图像分类性能。 3.提出了基于核协同表示的类聚集词典学习算法。在基于核协同表示的类特定词典学习算法的基础上增加类内散度约束项，使同一类的稀疏编码更加集中，从而减小了类内散度，提升了图像分类精度。在五个数据库上的实验结果表明，基于核协同表示的类聚集词典学习算法明显提高了图像分类性能。

目录

声明

第1章 引言

1.1 论文研究背景及意义

1.2 国内外研究现状分析

1.3 本文主要研究内容及结构安排

第2章 相关理论算法介绍

2.1 引言

2.2 基于卷积神经网络的特征提取方法

2.2.1 卷积神经网络的结构

2.2.2 卷积神经网络的局部连接与权值共享特性

2.2.3 VGGNet模型提取图像特征

2.3 图像分类相关算法

2.3.1 基于稀疏表示的分类方法

2.3.2 基于协同表示的分类方法

2.3.3 核方法

2.4 本章小结

第3章 基于核协同表示的类特定词典学习算法

3.1 引言

3.2 基于核协同表示的类特定词典学习算法

3.2.1 CSDL-KCRC算法描述

3.2.2 CSDL-KCRC算法的优化求解过程

3.2.3 CSDL-KCRC算法流程

3.3 CSDL-KCRC实验结果与分析

3.3.1 CSDL-KCRC实验设置

3.3.2 CSDL-KCRC参数选取

3.3.3 CSDL-KCRC实验结果

3.3.4 CSDL-KCRC结果分析

3.4 本章小结

第4章 基于核协同表示的类聚集词典学习算法

4.1 引言

4.2 基于核协同表示的类聚集词典学习算法

4.2.1 CSCDL-KCRC算法描述

4.2.2 CSCDL-KCRC算法的优化求解过程

4.2.3 CSCDL-KCRC算法流程

4.3 CSCDL-KCRC实验结果与分析

4.3.1 CSCDL-KCRC实验设置

4.3.2 CSCDL-KCRC参数选取

4.3.3 CSCDL-KCRC实验结果

4.3.4 CSCDL-KCRC结果分析

4.4 本章小结

第5章 总结与展望

参考文献

附录

攻读硕士学位期间取得的学术成果

致谢