基于特征表示与编码的图像分类技术

发布时间：2021-04-06 18:28

　　图像分类在机器学习、计算机视觉和模式识别等领域占据重要地位,图像分类模型一般由图像特征抽取、特征变换和增强、分类器训练等步骤组成。为了得到有效的特征表示,早期特征抽取主要采用手工设计方式,常常依赖于特征设计者的领域知识。随着深度学习技术发展,更多图像分类模型利用深度网络进行特征抽取。深度网络特征既可以通过端到端训练的方式获得,也可以利用大规模图像库上训练好的深度网络在图像上直接抽取。前者需要大量训练图像来拟合网络参数,计算代价高;后者由于缺乏监督信息的导引,其判别性仍需加强。作为一种有效的特征变换和增强技术,特征编码在图像分类中得到快速发展,但在实际应用中仍面临不少挑战,如图像类别多但带标签训练样本少、同类图像变化大而非同类图像区分度低、待识别类没有训练样本、图像不同层级特征间编码效率低、特征编码算法运行稳定性差等。为应对以上挑战,本文利用多种手工与深度网络特征表示形式,开展了基于特征编码的图像分类技术研究,主要工作和创新点有:1、提出一种基于多层字典学习与特征编码的图像分类模型,将原图像整体级手工或深度网络特征转换成深层编码特征。与基于单层字典学习的特征编码方法相比,所提模型能够减少... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：138 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景阐述
    1.2 国内外研究现状
    1.3 立题意义与主要工作
    1.4 全文章节安排
第二章 图像分类中的特征表示与编码
    2.1 引言
    2.2 特征表示形式
        2.2.1 手工特征表示
        2.2.2 深度网络特征
        2.2.3 语义描述特征
    2.3 特征编码方式
        2.3.1 整合特征抽取的特征编码
        2.3.2 融入分类器设计的特征编码
    2.4 本章小结
第三章 基于多层字典学习与特征编码的图像分类模型
    3.1 引言
        3.1.1 相关工作
        3.1.2 研究动机与创新
    3.2 多层字典学习与特征编码模型
        3.2.1 多层字典学习与特征编码
        3.2.2 多层局部结构信息约束
    3.3 模型优化算法与分析
        3.3.1 模型优化算法
        3.3.2 复杂性和收敛性分析
    3.4 实验与讨论
        3.4.1 人脸识别实验
        3.4.2 物体图像分类实验
        3.4.3 场景图像分类实验
        3.4.4 花卉图像分类实验
        3.4.5 图正则化项分析
    3.5 本章小结
第四章 用于图像分类的类稀疏分布编码特征生成方法
    4.1 引言
        4.1.1 相关工作
        4.1.2 研究动机与创新
    4.2 编码特征生成方法目标函数
        4.2.1 目标函数约束项及意义
        4.2.2 整体目标函数
    4.3 目标函数优化算法与分析
        4.3.1 训练阶段优化算法
        4.3.2 测试阶段分类准则
    4.4 实验与讨论
        4.4.1 人脸识别实验
        4.4.2 物体图像分类实验
        4.4.3 场景图像分类实验
        4.4.4 动作识别实验
        4.4.5 实验总结
    4.5 本章小结
第五章 基于堆叠语义自编码器的零样本图像分类
    5.1 引言
        5.1.1 相关工作
        5.1.2 研究动机与创新
    5.2 基于堆叠语义自编码器的归纳式零样本分类
        5.2.1 堆叠语义自编码器
        5.2.2 训练阶段与测试进程
        5.2.3 实验与讨论
    5.3 域感知堆叠语义自编码器用于直推式零样本分类
        5.3.1 域感知堆叠语义自编码器
        5.3.2 优化算法与收敛性分析
        5.3.3 实验与讨论
    5.4 本章小结
第六章 总结与展望
    6.1 研究总结
    6.2 研究展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于深度卷积特征的细粒度图像分类研究综述[J]. 罗建豪,吴建鑫.  自动化学报. 2017(08)
[2]图像物体分类与检测算法综述[J]. 黄凯奇,任伟强,谭铁牛.  计算机学报. 2014(06)
[3]压缩感知理论及其研究进展[J]. 石光明,刘丹华,高大化,刘哲,林杰,王良君.  电子学报. 2009(05)

博士论文
[1]深度学习下标记受限的视觉识别研究[D]. 高斌斌.南京大学 2018
[2]基于稀疏表示和深度学习的图像识别算法及应用研究[D]. 王斌.中国科学技术大学 2018
[3]基于特征编码与深度学习的图像识别算法[D]. 陈博恒.华南理工大学 2018
[4]图像处理和识别中的结构化稀疏编码关键技术研究[D]. 黄艳.华南理工大学 2018



本文编号：3121910