基于有监督学习图像理解中的序模型研究

发布时间：2017-11-29 03:13

  本文关键词：基于有监督学习图像理解中的序模型研究

  更多相关文章： 排序学习 GIST特征 交通拥挤度 人脸美丽指数 个性化排序模型 混合特征 散射卷积网络

【摘要】：随着机器学习的广泛应用,通过机器学习解决排序问题已引起很多学者关注。本文在国内外相关研究成果基础上,探讨了一些学习排序的新思路,并为交通拥挤度和人脸美丽度估计提供一种新方法。首先,针对交通场景中拥挤度估计问题,提出基于有监督序学习交通场景拥挤度排序计算模型,利用监督学习思路分别学习交通拥挤度和平均速度两个属性的排序函数。在交通拥挤度排序模型中,首先提取每帧训练图像GIST特征,而对于平均速度排序模型,首先通过帧间差分法提取视频运动信息,然后再提取GIST特征,最后引入改进的Ranking SVM投影模型,学习得到每个属性排序函数。其次,针对美丽指数自动评价问题,为此提出一种个性化人脸美丽指数相对排序模型。首先,根据大量志愿者对训练图像的主观评分进行初步排序,可以得到通用的排序模型,然后,在通用模型基础上结合用户审美进行重排序,就会得到根据用户审美的个性化排序模型。采用GIST与HOG的混合特征类型,与Eigenfaces和Dense-SIFT单个特征类型相比,获得较好的排序结果。再次,针对提取人脸图像的美丽度信息问题,本文提出一种散射卷积网络特征提取方法,该方法能提取图像在弹性形变和平移变化的不变特征,并且对光照不敏感。小波散射变换可以区分有相同傅里叶变换的能量谱。小波散射卷积网络分层次提取图像高频信息,本文将小波散射卷积网络输出的前三层散射能量特征作为人脸美丽指数度量特征。为验证小波散射卷积网络特征提取方法用于人脸美丽指数评价系统的有效性,本文采用相对属性排序算法建立了一个人脸美丽指数排序模型。最后,本文对图像排序算法在解决交通拥挤度问题及美丽指数自动评价问题上进行了研究。在解决交通拥挤度问题上,提出一种有监督序拥挤度排序算法,在解决美丽指数评价问题上对此算法进行了改进,提出一种个性化人脸美丽指数排序模型,并将散射卷积网络用于提取人脸美丽度特征。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41;O223

【参考文献】

中国期刊全文数据库 前5条

1 李贵林;杨禹琪;高星;廖明宏;;企业搜索引擎个性化表示与结果排序算法研究[J];计算机研究与发展;2014年01期

2 王扬;黄亚楼;卢敏;庞晓东;谢茂强;刘杰;;直接优化性能指标的多排序模型融合方法[J];计算机学报;2014年08期

3 孙鹤立;黄健斌;冯博琴;赵志勤;刘均;郑庆华;;查询依赖的有序多超平面排序学习模型[J];软件学报;2011年11期

4 王先梅;梁玲燕;王志良;胡四泉;;人脸图像的年龄估计技术研究[J];中国图象图形学报;2012年06期

5 覃勋辉;王修飞;周曦;刘艳飞;李远钱;;多种人群密度场景下的人群计数[J];中国图象图形学报;2013年04期

中国博士学位论文全文数据库 前1条

1 程凡;基于排序学习的信息检索模型研究[D];中国科学技术大学;2012年

，

本文编号：1235994