一种基于最优路径搜索的图像分类方法

摘要

目前已经有多种基于树的算法来解决多类别图像分类问题,然而由于选择的学习和贪婪预测策略不当,这些算法在分类精度和测试时间效率间不能实现很好的均衡.提出一种新的分类器,当树形架构已知时能在效率和精度间实现很好的折中.首先,将图像分类问题转化为树结构中最优路径的搜索问题,提出新的类似于分支界定的算法来实现最优路径的高效搜索.其次,使用结构化支持向量机(SSVM)在多种边界约束下联合训练分类器.仿真实验结果表明,相对于当前最新“基于树”的贪婪算法,当应用于Caltech-256、SUN和ImageNet 1K等数据集时,该算法在效率较高时的精度分别上升了4.65％,5.43％和4.07％.