基于密集SIFT特征及其池化模型的圖像分類.pdf

1、目前，在人們的生活中存在海量的數(shù)字圖像，這些圖像涵蓋了生活中的各個重要方面。然而，現(xiàn)實中存在大量無標記或錯誤標記的圖像使人們難以對其進行搜索、處理以及應用。在傳統(tǒng)圖像分類耗費大量人力物力的情況下，計算機圖像分類技術被提出并在短時間內迅速發(fā)展到相當?shù)囊?guī)模水平。本文對現(xiàn)有圖像分類技術進行整理歸納，并提出了新的圖像分類方法，通過實驗證明，本文提出的方法比現(xiàn)有算法具有更好的分類精度。
　　卷積神經網絡是熱門分類算法—深度學習分類方法之一，

2、其模仿神經元處理圖像使用的多重卷積核方法以及局部連接方法都具有較好的適用性?？紤]到傳統(tǒng)卷積神經網絡的隱層不具有任何的物理意義，以及其性能依賴于海量的訓練樣本，本文提出了新的特征模型——池化密集SIFT模型（SP模型），并使用該模型構建池化密集SIFT卷積神經網絡（SPCNN）。該分類方法使用高斯函數(shù)卷積核代替?zhèn)鹘y(tǒng)濾波器提取圖像中的密集SIFT特征，并通過內積空間池化的方式形成包含物體特征以及物體分布的SP模型。經實驗表明使用SP模型的S

3、PCNN分類方法分類精度優(yōu)于傳統(tǒng)CNN分類算法。
　　為了更好的提升分類精度，進一步利用圖像SP模型的信息，本文提出了基于池化密集SIFT模型的隨機森林分類器(SPRF)。為了更好的對局部物體進行判斷，SPRF算法包含了對于圖像空間的采樣和篩選，使之成為新的局部子空間。相較于一般的隨機森林分類器，SPRF使用了更強的基分類器，具有更小的泛化誤差。實驗結果表明，與普通SIFT特征分類、普通隨機森林分類及集成算法分類相比，使用了SP模