基于子空間的圖像檢索與分類技術(shù)研究.pdf

1、隨著網(wǎng)絡(luò)技術(shù)的迅速發(fā)展，基于內(nèi)容的圖像檢索已經(jīng)成為信啟領(lǐng)域的一個研究熱點(diǎn)。但由于受到目前圖像理解技術(shù)的局限，圖像的視覺底層特征和高層語義之間存在著著名的“語義鴻溝”問題，使基于內(nèi)容的圖像檢索結(jié)果不能滿足用戶的需求。為了克服這個困難，各國的研究人員提出了眾多解決方案，如基于區(qū)域描述的圖像內(nèi)容表述及相關(guān)反饋技術(shù)等。 子空間分析方法是統(tǒng)計方法中的一種，它的思想是把高維空間中松散分布的樣本，通過線性或者非線性變換壓縮到一個低維的子空間中

2、，在低維的子空間中使樣本的分布更緊湊，實(shí)現(xiàn)樣本的有效描述。 本文在參閱大量文獻(xiàn)的基礎(chǔ)上，利用子空間技術(shù)在基于內(nèi)容的圖像檢索及分類方面展開了研究。 本文的成果性工作包括： ①本文從有效地描述圖像內(nèi)容的角度出發(fā)，提出了一個基于SVM集成學(xué)習(xí)的偽語義模型，把圖像內(nèi)容的高維視覺底層特征描述映射到一個低維的偽語義子空間，實(shí)現(xiàn)對圖像語義概念上的聚類；通過集成學(xué)習(xí)還能夠有效地避免SVM學(xué)習(xí)中的樣本有偏(Sample bias)

3、問題。 ②在相關(guān)反饋中，為了克服K近鄰(KNN)和傳統(tǒng)SVM主動學(xué)習(xí)(SVM activelearning)中的訓(xùn)練樣本過于聚集的問題，本文提出采用基于樣本隨機(jī)分組策略的稀疏主動學(xué)習(xí)，從而保證訓(xùn)練樣本的信息最大化。 ③在相關(guān)反饋中，為提高在線學(xué)習(xí)能力，本文提出基于ONPP的隨機(jī)子空間集成的策略。通過ONPP構(gòu)造樣本之間的流形結(jié)構(gòu)，來挖掘圖像之間的語義關(guān)聯(lián)。通過對各個相應(yīng)子空間得到的分類器進(jìn)行集成學(xué)習(xí)，得到了很好的檢索效果