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,針對大規(guī)模圖像數(shù)據(jù)集上的圖像分類一直是研究的熱點。圖像分類是我們讓計算機(jī)理解圖像關(guān)鍵步驟,這也意味著對圖像分類的研究具有廣泛的應(yīng)用價值。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,它通過對局部特征量化,形成特征的稀疏表示,是一種基于統(tǒng)計的模型結(jié)構(gòu)。盡管詞袋模型取得了巨大的成功,但是它仍然沒有解決從低層特征到高層概念之間存在的語義鴻溝問題,而且在圖像對齊上的表現(xiàn)也不好。近年來,研究人

2、員針對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),但是圖像的語義于圖像的特征表達(dá)之間的聯(lián)系仍然很弱。
　　幸運的是,隨著神經(jīng)科學(xué)的不斷累積發(fā)展,研究者們發(fā)現(xiàn)人類是通過許多局部特征的組合來識別物體的。這就告訴我們,需要建立結(jié)構(gòu)性的模型來學(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,這就限制了計算機(jī)視覺算法

3、通過有限的訓(xùn)練數(shù)據(jù)學(xué)習(xí)到結(jié)構(gòu)性的模型。這時候圖像分類的一個極具前景的分支—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)分類問題中,待分類的圖片類別之間語義很相似,從而我們可以從整個圖像數(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。
　　這時候,傳統(tǒng)的詞袋模型在圖像精細(xì)分類問題中效果很差,主要原因在于,原來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,各個子類的圖片在語義上相近,往往具共同的結(jié)構(gòu)特征有待挖掘。
　　首先對于傳統(tǒng)方法,我們提出了幾點改進(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義結(jié)構(gòu)上對齊。第二,我們提出使用層次結(jié)構(gòu)學(xué)習(xí)(HSL)算法來找到目標(biāo)識別的高層概念。第三,我們提出使用幾何短語池化(GPP)算法捕捉分類目標(biāo)的幾何特征,提高分類效果。
　　其次,鑒于近來興起的深度學(xué)習(xí)方法在圖像分類問題中展示