基于部件對齊模型的細粒度分類方法研究.pdf

1、圖像分類問題一直是機器學習與計算機視覺領域的核心研究課題之一，但隨著計算機理論和圖像分類技術的不斷發(fā)展，一般級別的圖像分類已不能滿足人類日益增加的檢索分類需求，細粒度物體識別問題逐漸成為活躍的研究領域。視覺詞袋模型與深度卷積神經網絡模型作為圖像分類中最為常用和有效的圖像分類方法，通過對局部特征的有效組合構建高效的圖像特征，從而獲得高的分類準確度。然而因局部特征表達視覺概念的局限性及特征表示與高級語義的鴻溝，一般圖像分類方法在處理細粒度分

2、類問題時因對目標細節(jié)區(qū)域的描述不足且不能捕捉目標的結構信息而不能獲得滿意的分類準確度。
　　本文針對基于部件的細粒度圖像分類算法進行研究，其主要工作內容包含以下幾個方面:
　　(1)本文對細粒度圖像分類問題進行研究，對其研究現狀與研究難點進行分析。細粒度圖像分類對相同類別的不同物種個體進行分類，其主要難點在于圖像巨大的類內差異度和微小的類間差異性。為捕獲具有細節(jié)信息的區(qū)域，本文使用時間復雜度低的自動部件分割算法實現基于部件的

3、圖像表示算法以獲得具有競爭力的分類準確率。
　　(2)針對自動部件分割算法存在的過分割現象與部件對應關系不明確問題，本文提出基于部件的硬合并和基于邊緣的軟合并兩種細化分割算法。首先，以原始分割部件為基礎，將部件的連接性和距離性加入合并目標函數，獲得細化部件來降低圖像表示的歧義。為了捕獲更具描述性的部件，利用像素的顏色與紋理特征，生成像素的超度量邊界圖譜，并將其融入部件細化的學習中，使部件具有更合理的邊緣輪廓?；诩毣姆指畈考瑢?/p>

4、驗獲得了更好的分類準確度。
　　(3)本文研究圖切割算法在細粒度圖像上的局限性，提出基于超像素的圖前景背景分割算法。首先，使用高維特征空間的加權K均值算法完成像素聚類，獲得具有較準確的目標邊界與局部性質的超像素。其次，以超像素為基礎，構建層次化的區(qū)域樹并計算指定類別的圖像分割模板。通過圖像與分割模板的區(qū)域匹配，獲得圖像的前景分割。最后，應用部件對齊算法獲得高辨識性的圖像表示實現高分類準確率。該算法能夠準確地捕捉圖像前景，有效地提高