基于视觉特征低维嵌入的细粒度图像分类

发布时间：2018-04-24 01:12

  本文选题：零样本学习 + 细粒度图像分类　； 参考：《计算机辅助设计与图形学学报》2017年12期

【摘要】：为了减少原图像特征空间中高维数据的冗余,解决细粒度数据分布在特征空间中无法线性可分的问题,提出一种结合视觉特征低维嵌入和非线性映射的细粒度图像分类算法.首先将视觉特征嵌入到低维空间来减少冗余数据对分类造成的干扰,提高分类模型对测试数据的泛化能力;然后通过基于排序的目标函数来训练多个线性分类器,建立类别和低维视觉嵌入之间的非线性关系,有效地区分不同类别的细粒度样本之间的细微差异.实验结果表明,该算法有效地改进了现有的细粒度图像分类方法,显著提高对未知测试样本的分类精度.
[Abstract]:In order to reduce the redundancy of high-dimensional data in the original image feature space and to solve the problem that the fine grained data distribution in the feature space can not be linearly separable, a fine-grained image classification algorithm combining visual feature low-dimensional embedding and nonlinear mapping is proposed. Firstly, the visual features are embedded into the low-dimensional space to reduce the interference caused by redundant data to the classification, and the generalization ability of the classification model to test data is improved. Then, several linear classifiers are trained by the objective function based on sorting. The nonlinear relationship between class and low dimensional visual embedding is established, and the fine grained samples of different categories are effectively distinguished. Experimental results show that the proposed algorithm improves the existing fine-grained image classification methods and improves the classification accuracy of unknown test samples.
【作者单位】： 广东工业大学计算机学院;
【基金】：广东省普通高校省级重大科研项目(262524136) 广东省普通高校青年创新人才项目(220413157)
【分类号】：TP391.41

【相似文献】

相关期刊论文 前10条

1 王宁;钞柯;罗嫔;;实现细粒度访问控制的元模型研究[J];大连理工大学学报;2012年03期

2 欧阳纯萍;阳小华;雷龙艳;徐强;余颖;刘志明;;多策略中文微博细粒度情绪分析研究[J];北京大学学报(自然科学版);2014年01期

3 史大伟;袁天伟;;一种粗细粒度结合的动态污点分析方法[J];计算机工程;2014年03期

4 原子;于莉莉;刘超;;引入缺陷的细粒度软件变更识别方法[J];北京航空航天大学学报;2014年09期

5 涂登彪;谭光明;孙凝晖;;无锁同步的细粒度并行介度中心算法[J];软件学报;2011年05期

6 华秀丽;徐凡;王中卿;李培峰;;细粒度科技论文摘要句子分类方法[J];计算机工程;2012年14期

7 时杰;朱虹;冯玉才;;实现数据库细粒度访问控制的一种动态查询修改算法[J];计算机科学;2010年12期

8 王志强;黄皓;夏磊;;进程内细粒度保护域模型及其实现[J];计算机应用;2007年06期

9 赵亚杰;陈龙;;面向手机取证的细粒度数据完整性检验方法[J];计算机工程与设计;2012年11期

10 王希忠;曲家兴;马春光;周长利;;一种适用于非结构化数据的改进细粒度加密方法[J];计算机应用研究;2014年09期

相关会议论文 前10条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

4 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

5 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

6 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

7 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

8 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

9 刘杰;杜军平;;基于Relief-F特征加权支持向量机的语义图像分类[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

10 盛振华;吴羽;江锦华;寿黎但;陈刚;;InfoSigs:一种面向WEB对象的细粒度聚类算法[A];第26届中国数据库学术会议论文集（A辑）[C];2009年

相关博士学位论文 前10条

1 时杰;关系数据库细粒度访问控制研究[D];华中科技大学;2010年

2 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

3 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

4 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

5 孟丹;基于深度学习的图像分类方法研究[D];华东师范大学;2017年

6 朱倩;面向自由文本的细粒度关系抽取的关键技术研究[D];江苏大学;2011年

7 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

8 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

9 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

10 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

相关硕士学位论文 前10条

1 赵黎光;基于依存句法的句子级细粒度情感计算[D];华南理工大学;2015年

2 姚亮;数据访问控制中基于中间代理的用户撤销方法[D];西安电子科技大学;2014年

3 占文平;面向产品评论的情感分析技术研究[D];浙江工商大学;2015年

4 廖纯;基于句法和语义的话题细粒度情感分析的研究[D];北京理工大学;2016年

5 李毅;属性层级观点挖掘技术的研究与应用[D];石家庄铁道大学;2016年

6 周志华;聊天系统文本情感细粒度分类研究与应用[D];西南交通大学;2015年

7 康海蒙;基于细粒度监控的Spark优化研究[D];哈尔滨工业大学;2016年

8 陈闯闯;中文微博细粒度情感判别研究[D];南华大学;2016年

9 付连鹏;微博客细粒度情感分析技术的研究与实现[D];东北大学;2014年

10 李凌云;基于部件对齐模型的细粒度分类方法研究[D];大连理工大学;2016年

，

本文编号：1794464