计算机研究与发展
計算機研究與髮展
계산궤연구여발전
JOURNAL OF COMPUTER RESEARCH AND DEVELOPMENT
2012年
8期
1721-1729
,共9页
前景目标检测%无监督学习%特征聚类%增量学习%特征提取
前景目標檢測%無鑑督學習%特徵聚類%增量學習%特徵提取
전경목표검측%무감독학습%특정취류%증량학습%특정제취
针对基于无监督特征提取的目标检测方法效率不高的问题,提出一种在无标记数据集中准确检测前景目标的方法.其基本出发点是:正确的特征聚类结果可以指导目标特征提取,同时准确提取的目标特征可以提高特征聚类的精度.该方法首先对无标记样本图像进行局部特征提取,然后根据最小化特征距离进行无监督特征聚类.将同一个聚类内的图像两两匹配,将特征匹配的重现程度作为特征权重,最后根据更新后的特征权重指导下一次迭代的特征聚类.多次迭代后同时得到聚类结果和前景目标.实验结果表明,该方法有效地提高Caltech-256数据集和Google车辆图像的检测精度.此外,针对目前绝大部分无监督目标检测方法不具备增量学习能力这一缺点,提出了增量学习方法实现,实验结果表明,增量学习方法有效地提高了计算速度.
針對基于無鑑督特徵提取的目標檢測方法效率不高的問題,提齣一種在無標記數據集中準確檢測前景目標的方法.其基本齣髮點是:正確的特徵聚類結果可以指導目標特徵提取,同時準確提取的目標特徵可以提高特徵聚類的精度.該方法首先對無標記樣本圖像進行跼部特徵提取,然後根據最小化特徵距離進行無鑑督特徵聚類.將同一箇聚類內的圖像兩兩匹配,將特徵匹配的重現程度作為特徵權重,最後根據更新後的特徵權重指導下一次迭代的特徵聚類.多次迭代後同時得到聚類結果和前景目標.實驗結果錶明,該方法有效地提高Caltech-256數據集和Google車輛圖像的檢測精度.此外,針對目前絕大部分無鑑督目標檢測方法不具備增量學習能力這一缺點,提齣瞭增量學習方法實現,實驗結果錶明,增量學習方法有效地提高瞭計算速度.
침대기우무감독특정제취적목표검측방법효솔불고적문제,제출일충재무표기수거집중준학검측전경목표적방법.기기본출발점시:정학적특정취류결과가이지도목표특정제취,동시준학제취적목표특정가이제고특정취류적정도.해방법수선대무표기양본도상진행국부특정제취,연후근거최소화특정거리진행무감독특정취류.장동일개취류내적도상량량필배,장특정필배적중현정도작위특정권중,최후근거경신후적특정권중지도하일차질대적특정취류.다차질대후동시득도취류결과화전경목표.실험결과표명,해방법유효지제고Caltech-256수거집화Google차량도상적검측정도.차외,침대목전절대부분무감독목표검측방법불구비증량학습능력저일결점,제출료증량학습방법실현,실험결과표명,증량학습방법유효지제고료계산속도.