屬性學習分類模型若干關鍵問題及其應用研究.pdf

1、隨著科學技術的進步，電子設備的發(fā)展，特別是攜帶照相功能智能手機的普及和互聯網的應用，視覺數據數量迅猛增長，有效的圖像分類、檢索技術成為人們的迫切需求。傳統的基于文本的圖像分類技術需要額外的人工標注，但人工標注的成本高，缺點明顯。如何利用圖像自身固有的屬性進行圖像分類、檢索成為了近些年計算機視覺和模式識別領域的研究熱點。
　　傳統圖像識別技術大多基于圖像的底層特征，用底層特征來表示圖像，進而建立分類器識別圖像，但底層特征往往缺乏語義

2、，造成了“語義鴻溝”，導致計算機能夠識別的底層特征不能被用戶理解，從而無法從用戶處獲得有效的交互信息以提高分類檢索效能。為縮小語義鴻溝，圖像視覺屬性被引入到圖像識別領域中，視覺屬性在高層語義和底層特征之間架起了一座語義橋梁。本文圍繞視覺屬性在圖像分類識別、檢索中的若干關鍵問題及其應用進行了如下研究：
　?。?）介紹了圖像視覺屬性概念，分析了其與底層特征以及類別的區(qū)別與聯系。詳細介紹了四種經典基于屬性的學習算法：獨立屬性算法（包括直

3、接屬性法、間接屬性法）、相關屬性算法、相對屬性算法以及弱屬性算法，并指出這四種算法之間的緊密聯系，分析了它們各自的優(yōu)勢和不足。同時，綜合了相關、相對屬性學習算法的優(yōu)點，提出了相關、相對屬性相結合的屬性學習算法，并進行了相關比較實驗。
　　（2）介紹了屬性的一般生成方法，詳細闡述了提出的基于機器挖掘和人工標注相結合的屬性生成過程，該方法保證了所生成的屬性兼顧了分類意義上的分辨性和語義意義上的可命名性。同時，介紹了基于屬性依賴的遺傳約

4、簡機制，通過該機制確保所產生屬性的充要性。
　?。?）提出了基于稀疏表示的屬性學習模型，該方法將底層特征的稀疏表示和具有高層語義的屬性學習相結合，它不像傳統分類模型直接利用特征進行分類，而是使用屬性集作為中間媒介層，通過屬性的識別，將較為復雜的圖像識別、檢索問題轉化為相對成熟的文本識別、檢索問題。同時，所采用的稀疏表示方式為視覺數據的降維和屬性快速判定提供了可能，削減了最終類別映射的時間開銷。文章通過理論分析和實驗比較，分析了屬性

5、學習法與非屬性學習法，直接屬性預測法與間接屬性預測法，稀疏表示法與非稀疏表示法的特性，并通過基于Android系統的花卉識別應用系統設計進一步驗證了所提方法的優(yōu)點。
　?。?）提出了基于稀疏表示的零樣本遷移屬性學習模型，方法通過屬性知識的遷移學習，在沒有待識類別訓練樣本的情況下，首先利用可見訓練類別樣本進行屬性分類器學習，再利用訓練好的屬性分類器對待識樣本的屬性進行識別，最后利用屬性-類別映射關系進行待識樣本類別判定。在Oxfor

6、d17數據庫上的實驗驗證了該算法的有效性。
　　（5）介紹了稀疏編碼表示的一般理論，在此基礎上提出了基于局部保持的可判別字典編碼表示方法，并將此用于屬性分類器的設計。該方法在普通稀疏字典編碼表示模型基礎上引入局部保持和可判別約束，確保了相似的樣本數據其編碼表示也相似，從而優(yōu)化了各類別的編碼表示字典。同時，所采用的Fisher準則確保了編碼表示特征能夠滿足類內離散度小、類間離散度大的判別特性。在花卉數據庫上屬性分類實驗中驗證了該算法