基于傳統(tǒng)方法和深度學(xué)習(xí)的圖像精細(xì)分類研究.pdf

1、最近多年來(lái),針對(duì)大規(guī)模圖像數(shù)據(jù)集上的圖像分類一直是研究的熱點(diǎn)。圖像分類是我們讓計(jì)算機(jī)理解圖像關(guān)鍵步驟,這也意味著對(duì)圖像分類的研究具有廣泛的應(yīng)用價(jià)值。傳統(tǒng)的詞袋模型(Bag-of-Features(BoF))框架如今被廣泛應(yīng)用于圖像表示,它通過(guò)對(duì)局部特征量化,形成特征的稀疏表示,是一種基于統(tǒng)計(jì)的模型結(jié)構(gòu)。盡管詞袋模型取得了巨大的成功,但是它仍然沒(méi)有解決從低層特征到高層概念之間存在的語(yǔ)義鴻溝問(wèn)題,而且在圖像對(duì)齊上的表現(xiàn)也不好。近年來(lái),研究人

2、員針對(duì)詞袋模型的不足提出了很多成功的改進(jìn)辦法。其中包括,提取不同種類的特征,建立中間層的特征表達(dá),空間賦權(quán)值等等。使用這些新方法的系統(tǒng)不斷的提高圖像分類的最佳表現(xiàn),但是圖像的語(yǔ)義于圖像的特征表達(dá)之間的聯(lián)系仍然很弱。
　　幸運(yùn)的是,隨著神經(jīng)科學(xué)的不斷累積發(fā)展,研究者們發(fā)現(xiàn)人類是通過(guò)許多局部特征的組合來(lái)識(shí)別物體的。這就告訴我們,需要建立結(jié)構(gòu)性的模型來(lái)學(xué)習(xí)高層概念。然而,傳統(tǒng)的圖片集合包含了太多不相關(guān)的高層概念,這就限制了計(jì)算機(jī)視覺(jué)算法

3、通過(guò)有限的訓(xùn)練數(shù)據(jù)學(xué)習(xí)到結(jié)構(gòu)性的模型。這時(shí)候圖像分類的一個(gè)極具前景的分支—圖像精細(xì)分類(Fine-Grained Visual Categorization(FGVC))進(jìn)入我們的視野。在圖像精細(xì)分類問(wèn)題中,待分類的圖片類別之間語(yǔ)義很相似,從而我們可以從整個(gè)圖像數(shù)據(jù)集的共同特征中學(xué)習(xí)到更好的層次結(jié)構(gòu)模型。
　　這時(shí)候,傳統(tǒng)的詞袋模型在圖像精細(xì)分類問(wèn)題中效果很差,主要原因在于,原來(lái)被分為同一類的圖片現(xiàn)在要在子類上繼續(xù)分類,類間的區(qū)別

4、變小,傳統(tǒng)詞袋模型的特征分辨力不夠。其次,各個(gè)子類的圖片在語(yǔ)義上相近,往往具共同的結(jié)構(gòu)特征有待挖掘。
　　首先對(duì)于傳統(tǒng)方法,我們提出了幾點(diǎn)改進(jìn)的方法和方向。首先,我們利用前景分析和區(qū)域分割方法使得圖像在語(yǔ)義結(jié)構(gòu)上對(duì)齊。第二,我們提出使用層次結(jié)構(gòu)學(xué)習(xí)(HSL)算法來(lái)找到目標(biāo)識(shí)別的高層概念。第三,我們提出使用幾何短語(yǔ)池化(GPP)算法捕捉分類目標(biāo)的幾何特征,提高分類效果。
　　其次,鑒于近來(lái)興起的深度學(xué)習(xí)方法在圖像分類問(wèn)題中展示