基于顯著區(qū)域檢測(cè)和TMBP的場(chǎng)景分類(lèi).pdf

1、場(chǎng)景分類(lèi)也被稱(chēng)為場(chǎng)景感知、場(chǎng)景識(shí)別，是計(jì)算機(jī)視覺(jué)和認(rèn)知科學(xué)領(lǐng)域的一個(gè)具有挑戰(zhàn)性的研究問(wèn)題。場(chǎng)景分類(lèi)根據(jù)給定的語(yǔ)義類(lèi)別對(duì)圖像數(shù)據(jù)庫(kù)進(jìn)行標(biāo)注，為指導(dǎo)目標(biāo)識(shí)別等更高層次的圖像理解提供了有效的上下文語(yǔ)義信息。近年來(lái)的生理學(xué)實(shí)驗(yàn)表明：生物視覺(jué)系統(tǒng)依賴(lài)于選擇性注意力，結(jié)合視覺(jué)記憶，快速理解場(chǎng)景內(nèi)容，即圖像顯著性與場(chǎng)景語(yǔ)義理解是緊密相關(guān)的。因此，顯著檢測(cè)與場(chǎng)景分類(lèi)相結(jié)合具有重要意義。
　　本文以靜態(tài)圖像為研究對(duì)象，在研究顯著區(qū)域檢測(cè)方法的基礎(chǔ)上

2、，通過(guò)中層語(yǔ)義的TMBP（Topic Model by Belief Propagation）主題建模，著重研究了基于前景和背景的TMBP場(chǎng)景分類(lèi)三個(gè)方面的內(nèi)容。論文研究?jī)?nèi)容如下：
　　1）針對(duì)多目標(biāo)圖像檢測(cè)存在的誤檢問(wèn)題，結(jié)合低層特征和中層提示，提出一個(gè)新的貝葉斯框架下的多目標(biāo)顯著檢測(cè)方法。該方法首先用上下文感知顯著檢測(cè)方法獲取圖像的低層特征信息，然后用Ncut（Normalized cut）圖像分割取得圖像的顯著中層信息提示，

3、即多目標(biāo)的類(lèi)別標(biāo)簽信息，根據(jù)低層和中層信息提示來(lái)計(jì)算先驗(yàn)顯著圖，最后使用貝葉斯方法計(jì)算獲得圖像的后驗(yàn)顯著圖。實(shí)驗(yàn)結(jié)果表明，本文方法提高了顯著對(duì)象檢測(cè)精度，并且可以較好的解決多目標(biāo)檢測(cè)誤檢問(wèn)題。
　　2）針對(duì)現(xiàn)有的基于LDA（Latent Dirichlet Allocation）模型的圖像場(chǎng)景分類(lèi)方法存在的計(jì)算速度慢和復(fù)雜度高的問(wèn)題，采用基于信任傳遞的推理方法的 TMBP主題建模。該模型以LDA模型為框架，不同于傳統(tǒng)的VB（Var

4、iational Bayesian）和GS（Gibbs Sampling）推理方法，采用信任傳遞的近似推理方法，提高了推理的速度。實(shí)驗(yàn)結(jié)果表明，TMBP主題建模的場(chǎng)景分類(lèi)方法要比傳統(tǒng)的VB-LDA和GS-LDA更快，計(jì)算復(fù)雜度也更低。
　　3）針對(duì)基于主題建模的圖像場(chǎng)景分類(lèi)方法存在的分類(lèi)準(zhǔn)確率低的問(wèn)題，提出分別基于前景和背景的 TMBP主題建模場(chǎng)景分類(lèi)方法。該方法首先用顯著檢測(cè)方法提取圖像的顯著區(qū)域作為前景，然后分別對(duì)前景和背景分