计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2015年
7期
256-260
,共5页
图像分类%线性编码%K最近邻搜索%码本%增量训练
圖像分類%線性編碼%K最近鄰搜索%碼本%增量訓練
도상분류%선성편마%K최근린수색%마본%증량훈련
image classification%linear coding%K nearest neighbor searching%codebook%incremental training
现有图像分类方法无法抓取形态或定位对象,导致分类精度较低.针对该问题,提出一种新的图像分类方法.利用局部约束将每个描述符映射到其本地坐标系中,以生成最终图像表示,为提高图像分类的效率,设计快速近似局部约束线性编码(LLC)方法,并通过增量训练构建LLC码本.基于Caltech-101,Caltech-256等常用数据集的仿真结果表明,与Best PASCAL方法和Obj.+Contex方法相比,该方法的图像分类准确率较高.
現有圖像分類方法無法抓取形態或定位對象,導緻分類精度較低.針對該問題,提齣一種新的圖像分類方法.利用跼部約束將每箇描述符映射到其本地坐標繫中,以生成最終圖像錶示,為提高圖像分類的效率,設計快速近似跼部約束線性編碼(LLC)方法,併通過增量訓練構建LLC碼本.基于Caltech-101,Caltech-256等常用數據集的倣真結果錶明,與Best PASCAL方法和Obj.+Contex方法相比,該方法的圖像分類準確率較高.
현유도상분류방법무법조취형태혹정위대상,도치분류정도교저.침대해문제,제출일충신적도상분류방법.이용국부약속장매개묘술부영사도기본지좌표계중,이생성최종도상표시,위제고도상분류적효솔,설계쾌속근사국부약속선성편마(LLC)방법,병통과증량훈련구건LLC마본.기우Caltech-101,Caltech-256등상용수거집적방진결과표명,여Best PASCAL방법화Obj.+Contex방법상비,해방법적도상분류준학솔교고.
