基于圖像視覺的屬性學(xué)習(xí)應(yīng)用研究.pdf

1、近年來，屬性學(xué)習(xí)一直是計算機(jī)視覺領(lǐng)域的研究熱點，尤其是屬性學(xué)習(xí)在各方面的實際應(yīng)用，很多學(xué)者都提出了具體的應(yīng)用方案。在年齡預(yù)測上，傳統(tǒng)識別方法的語義級描述能力較弱，不能準(zhǔn)確地表示特征含量的多少；在公共場所擁擠度檢測方面，全天候、全地域的檢測算法也不夠成熟。論文針對這些不足，結(jié)合屬性學(xué)習(xí)的思想提出了改進(jìn)算法。
　　本文介紹了屬性學(xué)習(xí)的研究背景和應(yīng)用現(xiàn)狀，還介紹了常用的目標(biāo)檢測方法，屬性學(xué)習(xí)的理論依據(jù)和框架結(jié)構(gòu)，詳細(xì)描述了相對屬性學(xué)習(xí)的

2、步驟方法，最后是排序?qū)W習(xí)的三種技術(shù)：點級Pointwise方法、對級Pairwise方法、列表級Listwise方法，并對這三種方法進(jìn)行了簡單比較。
　　論文在對基于“屬性學(xué)習(xí)”的圖像年齡預(yù)估方法分析的基礎(chǔ)上，提出了累積屬性復(fù)原模型，解決了稀疏數(shù)據(jù)的可用性問題，將累積屬性作為中間橋梁來連接底層特征和回歸模型，減少稀疏性“語義鴻溝”的影響。該模型包含明確的語義含義，計算更加高效，而且不需要附加的注釋。實驗表明相比于其他經(jīng)典方法，累積

3、屬性的誤差大大減小，可以看出累積屬性在年齡預(yù)估方面的優(yōu)勢。
　　論文提出了基于“屬性學(xué)習(xí)”的公共場所擁擠度排序模型，主要是學(xué)習(xí)平均密度和平均速度兩個屬性，用改進(jìn)后的混合高斯模型提取移動物體的密度屬性，用幀間差分法提取移動物體的速度屬性，然后提取Gist特征，借助相對屬性學(xué)習(xí)思想，使用改進(jìn)后的Ranking SVM算法對人群、車流和人車混合三種情況下的擁擠度進(jìn)行模擬排序。把數(shù)據(jù)序列作為擁擠度標(biāo)簽，將公共場所擁擠度問題轉(zhuǎn)化成排序問題，