基于稀疏編碼的半監(jiān)督圖像分類研究.pdf

1、多媒體技術的發(fā)展，使得每天都有海量圖像數(shù)據(jù)不斷產生。圖像分類作為數(shù)據(jù)組織的一種基本方法，一直在研究領域備受關注。圖像分類問題可以概括為兩個大步驟:(a)首先就是要將視覺圖像表示為數(shù)值信息，即圖像表示;(b)然后針對所得的圖像表示，選擇合適的分類器進行訓練，最終得到圖像分類模型。圖像分類的這兩個步驟對分類的效果都有很重要的影響，兩者是相輔相成的。
　　本文從圍繞圖像分類的兩大步驟，展開了對圖像分類問題的研究。首先通過稀疏編碼技術和空

2、間金字塔匹配核模型進行圖像表示。該方法將提取到的圖像的SIFT特征作為訓練數(shù)據(jù)，來進行過完備字典學習，然后運用稀疏編碼技術，獲得每個SIFT特征基于字典的稀疏編碼重建系數(shù)，最后運用空間金字塔匹配模型得到圖像的數(shù)值向量表示形式。基于該方法得到的圖像表示，可以采用線性核分類器（比如線性支持向量機）進行分類，使得分類模型的訓練復雜度為O（n），預測階段的復雜度為常數(shù)級。采用傳統(tǒng)的圖像表示方法，只能采用非線性的SVM分類器才能達到較好的準確率，

3、而非線性的SVM在訓練階段的計算復雜度和空間復雜度分別為O（n3）和O(n2)，在預測階段的計算復雜度為O（n）。這使得在實際應用中，數(shù)據(jù)量非常龐大的情況下，采用傳統(tǒng)的高復雜度的分類器是不可行的。
　　由于稀疏編碼空間金字塔模型所得到的圖像表示是高維空間中的稀疏向量，假設這些高維空間中的稀疏向量分布在一個低維流形上是合理的，基于這個假設，在分類階段本文進一步引入了一種基于流形正則化的半監(jiān)督學習方法。該方法將未標記數(shù)據(jù)的結構信息作為

4、一個正則化項加入到傳統(tǒng)的分類器中，在分類學習的過程中探索數(shù)據(jù)本來的結構，來提高分類器的性能。該方法在一定程度上解決了實際應用中標簽數(shù)據(jù)不足，通過融入未標記數(shù)據(jù)信息來提高分類準確率的問題。另外在相同標簽數(shù)據(jù)的情況下，該方法因為有效的融入了未標記數(shù)據(jù)的信息，從而能夠獲得更高的分類準確率。綜合這兩個步驟，本文最終給出了一種基于稀疏編碼空間金字塔匹配（Sparse coding Spatial Pyramid Matching，ScSPM）模型