计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2014年
9期
2668-2672,2677
,共6页
吕煊%刘玉淑%丁洪富%李爱迪
呂煊%劉玉淑%丁洪富%李愛迪
려훤%류옥숙%정홍부%리애적
字典模型%低秩优化%低秩描述%图像描述%图像分类
字典模型%低秩優化%低秩描述%圖像描述%圖像分類
자전모형%저질우화%저질묘술%도상묘술%도상분류
Bag Of Words (BOW)%low-rank optimization%low-rank representation%image representation%image classification
字典模型(BOW)是一种经典的图像描述方法,模型中特征字典的构造方法至关重要.针对特征字典构造问题,提出了一种类别约束下的低秩优化特征字典构造方法LRC-DT,通过低秩优化的方法使训练出来的特征字典在描述同类图像时表示系数矩阵的秩相对较低,从而将类别信息引入到字典学习中,提高字典对图像描述的可分辨性.在标准公测库Caltech-101和Caltech-256上的实验结果表明:将SPM、稀疏编码下的SPM (ScSPM)、局部线性编码(LLC)和线性核函数的SPM(LSPM)编码方法中的特征字典替换为加入低秩约束(LRC)的特征字典后,随着训练样本数目增多,字典模型的分类准确率与未引入低秩约束的方法相比有所提高.
字典模型(BOW)是一種經典的圖像描述方法,模型中特徵字典的構造方法至關重要.針對特徵字典構造問題,提齣瞭一種類彆約束下的低秩優化特徵字典構造方法LRC-DT,通過低秩優化的方法使訓練齣來的特徵字典在描述同類圖像時錶示繫數矩陣的秩相對較低,從而將類彆信息引入到字典學習中,提高字典對圖像描述的可分辨性.在標準公測庫Caltech-101和Caltech-256上的實驗結果錶明:將SPM、稀疏編碼下的SPM (ScSPM)、跼部線性編碼(LLC)和線性覈函數的SPM(LSPM)編碼方法中的特徵字典替換為加入低秩約束(LRC)的特徵字典後,隨著訓練樣本數目增多,字典模型的分類準確率與未引入低秩約束的方法相比有所提高.
자전모형(BOW)시일충경전적도상묘술방법,모형중특정자전적구조방법지관중요.침대특정자전구조문제,제출료일충유별약속하적저질우화특정자전구조방법LRC-DT,통과저질우화적방법사훈련출래적특정자전재묘술동류도상시표시계수구진적질상대교저,종이장유별신식인입도자전학습중,제고자전대도상묘술적가분변성.재표준공측고Caltech-101화Caltech-256상적실험결과표명:장SPM、희소편마하적SPM (ScSPM)、국부선성편마(LLC)화선성핵함수적SPM(LSPM)편마방법중적특정자전체환위가입저질약속(LRC)적특정자전후,수착훈련양본수목증다,자전모형적분류준학솔여미인입저질약속적방법상비유소제고.