基于相对属性学习的视觉比较方法研究

发布时间：2024-03-06 01:30

　　视觉属性是图像的基本特征,基于属性及相对属性学习已经成为计算机视觉领域内新的研究热点。由于计算机是用二进制数据来表达的,而人类传递的语言信息则是千变万化的,从而导致了底层数据信息和高层语义信息之间存在着“语义鸿沟”。而视觉属性是一种中级别图像特征,它一般是人为命名的(如“尖的”、“笑的”),所以能捕捉更多的语义关系,正好能解决“语义鸿沟”问题。于是大量的视觉属性研究工作应运而生,但是这些主要都是关于识别物体的一个属性存在与否,也即二值属性。近几年来,基于相对属性学习的研究层出不穷。除了利用全局排序函数模型来进行相对属性学习的方法,也有针对精细视觉比较的局部学习方法。这些方法尽管能预测图像对中的图像属性强度哪个更强或更弱,但是不能预测属性强度相似的情形。随后,大量研究者提出了基于深度学习的相对属性模型。这些研究虽然都取得较好的实验效果,但是因为深度学习的结构特性造成较高的时间复杂度和空间复杂度。针对当前基于相对属性学习的视觉比较模型局限性,本文的研究内容有:针对精细度不高的视觉比较,提出一种更精准的全局视觉比较模型;针对精细的视觉比较,提出一种更精确的局部视觉比较模型;针对能同时预测更强...

【文章页数】：106 页

【学位级别】：博士

【部分图文】：

图１．２零样本学习??－

断出Ｕ类的概率分布，这样我们就可以进行图像或视频分类。常规的样??本学习如果缺乏训练样本，则会导致学习效果大打折扣。为了解决这个??问题，一般情况下知识迁移可以完成。迁移学习方法就是将先验知识从??源类别迁移到目标类别，该方法一定程度上避免了由于缺失训练样本而??造成分类器失效的....

图１．３二值属性的比较??

对于一张处于大“笑”与不“笑”之间的图像，可以利用它们之间“笑”属性的??相对程度，很容易对这幅图像进行描述：这一张图像的“笑”的强度比左边一张??图像的更弱，但是比右边一张图像“笑”的强度更强，如图１．３所示。??７??

图１．４粗糙比较和精细比较??

约束图像对数量越多，训练的全局排序函数性能越好。但是这主要适合粗??糙的视觉比较情况，对于面对一些细微的精细比较的情况这个方法就要大打折扣。??如图１．４所示，左边两幅图像对就是基于粗糙的视觉比较，而右边的就是基于精??细的视觉比较，咋一看，很难对右边的图像对进行视觉比较。于是，....

图２．３排序函数的差别??Ｆｉｇ．?２．３?Ｔｈｅ?ｄｉｆｆｅｒｅｎｃｅ?ｏｆ?ｒａｎｋ?ｆｕｎｃｔｉｏｎｓ??

的差值来训练模型。在最小误差的原则下，我们采用牛顿法［８（）］来进行求解这一??训练模型。通过最大化或者最小化丨丨叫ＪＩ来学习最后的排序函数。例如，??Ｗ＾ｍＷ??如图２．３所示，若分别采用两个投影向量叫和叫来确定图中的４个点之间的排序??关系，由于通过计算得到的投影向量之间的差....

本文编号：3920344