版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著現(xiàn)代社會(huì)的信息技術(shù)發(fā)展和現(xiàn)實(shí)需要,圖像作為信息的一種快速、有效地描述方式和存儲(chǔ)載體,獲得了大眾的廣泛關(guān)注。如何讓計(jì)算機(jī)按照人腦對(duì)信息的解譯方式準(zhǔn)確地、快速地從大量的圖像信息中自動(dòng)獲取所需的信息,成為了計(jì)算機(jī)視覺領(lǐng)域中一個(gè)亟待解決的問題。多標(biāo)記學(xué)習(xí)是針對(duì)現(xiàn)實(shí)世界中普遍存在的多義性對(duì)象而提出的一種學(xué)習(xí)框架,目前廣泛應(yīng)用于目標(biāo)分類和識(shí)別問題中。由于尺度不變特征變換(Scale-Invariant Feature Transform,SIF
2、T)可以克服由圖像平移、旋轉(zhuǎn)、亮度和尺度變化帶來的誤分,且該方法對(duì)于光線、噪聲、微視角改變、部分物體遮蔽的容忍度也相當(dāng)高,在文本分類、自然場(chǎng)景分類和視頻分類中均取得了較好的結(jié)果。因此,本文基于SIFT特征表示,利用空間金字塔模型的稀疏編碼和局部線性約束編碼方式對(duì)特征進(jìn)行編碼,利用多標(biāo)記k近鄰(Multi-Label k-Nearest-Neighbor, ML-kNN)和排序支撐矢量機(jī)(Rank Support Vector Machi
3、ne, Rank-SVM)對(duì)目標(biāo)進(jìn)行多標(biāo)記分類。
?。?)提出了一種基于SIFT特征表示和稀疏編碼的自然場(chǎng)景多標(biāo)記分類方法,本方法通過提取圖像的密集SIFT特征,首先用空間金字塔稀疏編碼模型對(duì)圖像進(jìn)行特征表示和編碼,然后用最大化池化方式得到圖像的特征分布,最后用兩種多標(biāo)記分類方法分別對(duì)自然場(chǎng)景進(jìn)行分類,得到自然場(chǎng)景圖像的分類結(jié)果。該方法豐富了圖像的空間信息,且特征得到了高效地編碼,從而可得到更好的分類結(jié)果。
(2)提出
4、了一種基于SIFT特征表示和局部線性約束編碼的自然場(chǎng)景多標(biāo)記分類方法,本方法通過從不同尺度提取圖像的密集SIFT特征,建立多尺度字典,結(jié)合空間金字塔局部線性約束編碼模型對(duì)圖像進(jìn)行特征表示和編碼,然后用最大化池化方式對(duì)圖像特征分布進(jìn)行統(tǒng)計(jì)并用限制玻爾茲曼機(jī)進(jìn)行特征降維,最后用兩種多標(biāo)記分類方法分別對(duì)自然場(chǎng)景進(jìn)行分類,得到自然場(chǎng)景的多標(biāo)記分類結(jié)果。該方法不僅豐富了圖像的空間信息,還豐富了特征的尺度信息,且局部線性約束編碼更快速、有效,經(jīng)過限
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于單層稀疏自編碼和支持向量機(jī)的場(chǎng)景分類.pdf
- 基于多尺度和多層稀疏表示的SAR地物分類.pdf
- 基于深層特征學(xué)習(xí)和稀疏表示的SAR圖像分類.pdf
- 基于多路分層稀疏編碼的遙感圖像場(chǎng)景分類.pdf
- 基于Gabor特征和稀疏表示分類的手勢(shì)識(shí)別及應(yīng)用.pdf
- 基于多示例多標(biāo)記學(xué)習(xí)的自然場(chǎng)景圖像分類.pdf
- 基于稀疏編碼特征的場(chǎng)景文本識(shí)別方法研究.pdf
- 基于SIFT的稀疏表示在人臉識(shí)別中的應(yīng)用.pdf
- 基于稀疏表示和特征選擇的目標(biāo)跟蹤.pdf
- 基于增量學(xué)習(xí)和深度稀疏濾波的復(fù)雜場(chǎng)景多類標(biāo)分類.pdf
- 面向自然場(chǎng)景分類的稀疏編碼研究與應(yīng)用.pdf
- 基于稀疏表示的特征提取與分類方法研究.pdf
- 基于稀疏結(jié)構(gòu)和SIFT特征的SAR圖像配準(zhǔn)研究.pdf
- 基于多層次特征表示的場(chǎng)景圖像分類算法研究.pdf
- 基于稀疏表示和特征提取的癲癇腦電分類識(shí)別方法研究.pdf
- 基于多特征融合的場(chǎng)景分類與標(biāo)示方法.pdf
- 基于稀疏表示的紋理分類方法研究.pdf
- 基于稀疏表示和集成學(xué)習(xí)的若干分類問題研究
- 基于稀疏表示的圖像分類方法研究.pdf
- 基于稀疏編碼的圖像分類研究.pdf
評(píng)論
0/150
提交評(píng)論