控制理论与应用
控製理論與應用
공제이론여응용
Control Theory & Applications
2015年
8期
1114-1119
,共6页
图像分类%分层结构%深度网络%感受野
圖像分類%分層結構%深度網絡%感受野
도상분류%분층결구%심도망락%감수야
image categorization%hierarchical architecture%deep networks%receptive fields
作为图像检索,图像组织和机器人视觉的基本任务,图像分类在计算机视觉和机器学习中受到了广泛的关注.用于目标识别及图像分类的多种基于深度学习的模型同样引发了该领域内的极大兴趣.本文提出了一种取代尺度不变特征变换(SIFT)和方向梯度直方图(HOG)描述子的算法,即利用深度分层结构,按层级学习有效的图像表示,直接从原始像素点学习特征.该方法分别利用K-奇异值分解(K-SVD)和正交匹配追踪(OMP)进行字典训练和编码.此外,本文采用了同时学习分类器和用于池化的感受野方案.实验结果证明,上述算法在目标(Oxford flowers)和事件(UIUC-sports)图像分类测试集中取得了更好的分类性能.
作為圖像檢索,圖像組織和機器人視覺的基本任務,圖像分類在計算機視覺和機器學習中受到瞭廣汎的關註.用于目標識彆及圖像分類的多種基于深度學習的模型同樣引髮瞭該領域內的極大興趣.本文提齣瞭一種取代呎度不變特徵變換(SIFT)和方嚮梯度直方圖(HOG)描述子的算法,即利用深度分層結構,按層級學習有效的圖像錶示,直接從原始像素點學習特徵.該方法分彆利用K-奇異值分解(K-SVD)和正交匹配追蹤(OMP)進行字典訓練和編碼.此外,本文採用瞭同時學習分類器和用于池化的感受野方案.實驗結果證明,上述算法在目標(Oxford flowers)和事件(UIUC-sports)圖像分類測試集中取得瞭更好的分類性能.
작위도상검색,도상조직화궤기인시각적기본임무,도상분류재계산궤시각화궤기학습중수도료엄범적관주.용우목표식별급도상분류적다충기우심도학습적모형동양인발료해영역내적겁대흥취.본문제출료일충취대척도불변특정변환(SIFT)화방향제도직방도(HOG)묘술자적산법,즉이용심도분층결구,안층급학습유효적도상표시,직접종원시상소점학습특정.해방법분별이용K-기이치분해(K-SVD)화정교필배추종(OMP)진행자전훈련화편마.차외,본문채용료동시학습분류기화용우지화적감수야방안.실험결과증명,상술산법재목표(Oxford flowers)화사건(UIUC-sports)도상분류측시집중취득료경호적분류성능.
