基于大規(guī)模視覺(jué)模式學(xué)習(xí)的高性能圖像表示.pdf

1、隨著數(shù)字媒體設(shè)備和智能手機(jī)的普及，以及社交網(wǎng)絡(luò)和網(wǎng)絡(luò)共享的流行，網(wǎng)絡(luò)上的圖像數(shù)據(jù)規(guī)模越來(lái)越大，相應(yīng)的識(shí)別需求越來(lái)越多。大規(guī)模圖像數(shù)據(jù)為圖像識(shí)別領(lǐng)域中的識(shí)別、分類、檢索等問(wèn)題帶來(lái)了更多的挑戰(zhàn)，也孕育著更多的機(jī)遇。
　　在過(guò)去幾年里，物體檢索是大規(guī)模圖像檢索中的熱門(mén)問(wèn)題。大規(guī)模詞表產(chǎn)生的稀疏圖像表示是檢索中快速查詢的保證，高性能圖像表示是檢索性能的保證。本文通過(guò)對(duì)局部特征空間中視覺(jué)模式學(xué)習(xí)和圖像表示的研究，可以快速產(chǎn)生高性能的圖像表示

2、，提升大規(guī)模圖像檢索系統(tǒng)的性能。
　　為了解決大規(guī)模圖像的識(shí)別問(wèn)題，視覺(jué)屬性和中層圖像表示最近幾年成為研究熱點(diǎn)。本文通過(guò)研究視覺(jué)屬性學(xué)習(xí)和中層圖像表示的產(chǎn)生，可以快速學(xué)習(xí)大規(guī)模視覺(jué)屬性、產(chǎn)生可用于識(shí)別和檢索的高性能表示。
　　本文的主要研究工作和創(chuàng)新之處如下:
　　(1)提出了一種快速構(gòu)造高性能大規(guī)模視覺(jué)詞表的算法。針對(duì)當(dāng)前大規(guī)模圖像檢索系統(tǒng)的性能瓶頸，本文提出了一種快速構(gòu)建高性能大規(guī)模視覺(jué)詞表的算法。大規(guī)模圖像檢索系

3、統(tǒng)依賴于大規(guī)模視覺(jué)詞表，用以產(chǎn)生稀疏表示，進(jìn)而實(shí)現(xiàn)快速、準(zhǔn)確搜索。當(dāng)前最好的近似算法構(gòu)造大規(guī)模詞表時(shí)不能同時(shí)兼顧速度和性能。本文利用近似算法迭代過(guò)程中視覺(jué)模式的繼承關(guān)系，提出一種可以保證快速收斂的魯棒近似算法。該算法基本不增加時(shí)間、空間代價(jià)。理論分析表明，算法會(huì)在有限輪收斂到精確算法的收斂解。實(shí)驗(yàn)驗(yàn)證表明，產(chǎn)生同等性能的視覺(jué)詞表，所需時(shí)間是已有最優(yōu)算法的1/10。大規(guī)模圖像檢索系統(tǒng)利用該算法可以快速產(chǎn)生更大規(guī)模的高性能詞表，為系統(tǒng)的速度

4、和性能提供技術(shù)保證。該算法也可以應(yīng)用到其它視覺(jué)模式發(fā)現(xiàn)中，快速構(gòu)造大規(guī)模視覺(jué)模式集合。
　　(2)提出了一種基于給定的大規(guī)模視覺(jué)詞表產(chǎn)生高性能圖像表示的算法。大規(guī)模圖像檢索系統(tǒng)中，針對(duì)給定大規(guī)模詞表后的圖像表示產(chǎn)生問(wèn)題，本文提出了一種高性能且對(duì)參數(shù)魯棒的算法，用于量化局部特征并產(chǎn)生圖像表示。本文分析了多重量化對(duì)提高大規(guī)模圖像檢索中稀疏表示性能的作用，測(cè)試了匯集環(huán)節(jié)中不同匯集方法在大規(guī)模圖像檢索問(wèn)題中的效果，并比較了檢索和識(shí)別中已有

5、量化算法的差異。本文從高斯核函數(shù)具有的尺度選擇性出發(fā)，提出一種算法，最小化核函數(shù)空間重構(gòu)誤差的。該算法邏輯清晰、目標(biāo)簡(jiǎn)潔、求解簡(jiǎn)單，而且應(yīng)用到實(shí)際實(shí)驗(yàn)中可以產(chǎn)生更好的表示。該算法可以更好地利用更多近鄰信息產(chǎn)生高性能稀疏圖像表示;學(xué)得的多重量化權(quán)重能夠更好地利用距離中局部信息，使得產(chǎn)生的表示對(duì)于近鄰參數(shù)變化更加魯棒。
　　(3)提出了一種快速產(chǎn)生高性能線性表示的方法。針對(duì)一般圖像表示問(wèn)題，本文從線性中層表示出發(fā)提出了一種間接地快速學(xué)

6、習(xí)大量潛在視覺(jué)屬性并產(chǎn)生高性能表示的方法。當(dāng)前基于視覺(jué)屬性的中層表示的各種研究，多數(shù)直接將屬性模型的輸出值組成一個(gè)長(zhǎng)向量作為中層表示。這種表示方式，中層表示是模型輸出的線性映射，表示具有線性不變性。本文以此為出發(fā)點(diǎn)，提出通過(guò)學(xué)習(xí)這樣的語(yǔ)義子空間，間接地學(xué)習(xí)視覺(jué)屬性。通過(guò)子空間學(xué)習(xí)算法可以快速學(xué)習(xí)包含大規(guī)模潛在視覺(jué)屬性的語(yǔ)義子空間，這樣的語(yǔ)義子空間不僅可以通過(guò)線性映射產(chǎn)生維度可變的高性能中層表示，而且語(yǔ)義空間的投影具有很強(qiáng)的語(yǔ)義性，可以借

7、助人工標(biāo)注給其語(yǔ)義含義命名。
　　(4)提出了一種產(chǎn)生高性能非線性表示的方案。在一般圖像表示問(wèn)題中對(duì)所有線性形式表示都不能充分利用屬性模型信息的缺陷。本文受其它問(wèn)題中非線性表示的研究啟發(fā)，提出一種基于屬性的非線性中層表示方案，用以產(chǎn)生高性能中層表示。該非線性表示方案對(duì)視覺(jué)屬性定義、屬性模型學(xué)習(xí)和表示產(chǎn)生三個(gè)環(huán)節(jié)分別提出要求:定義高度有偏的二元分類問(wèn)題，學(xué)習(xí)局部有效的支持向量機(jī)模型，最后采用恰當(dāng)?shù)某叨葏?shù)利用非線性映射產(chǎn)生中層表示。

8、其中，非線性表示可以更好地利用屬性模型的偏移和尺度信息，因而具有更高性能;局部有效的屬性模型指明輸出值中存在一定冗余信息，使后續(xù)的信息壓縮成為可能;高度有偏的二元分類問(wèn)題保證很容易定義大量視覺(jué)屬性，且這些視覺(jué)屬性都只作用于特征空間的一個(gè)局部，為產(chǎn)生稀疏表示提供堅(jiān)實(shí)的基礎(chǔ)。實(shí)驗(yàn)驗(yàn)證了非線性表示可以顯著提高表示的性能。
　　本文通過(guò)前兩點(diǎn)的工作，提供了一種快速建立高性能稀疏表示的完整方案，對(duì)于當(dāng)前大規(guī)模圖像檢索的系統(tǒng)瓶頸問(wèn)題給出了有效

9、的改進(jìn)，保證大規(guī)模圖像檢索系統(tǒng)快速可以產(chǎn)生更高性能的高維稀疏表示。
　　本文的后兩點(diǎn)工作，從線性表示和非線性表示角度，對(duì)于視覺(jué)屬性和一般圖像中層表示問(wèn)題進(jìn)行了系統(tǒng)地研究。本文提出的快速產(chǎn)生線性表示的方法、產(chǎn)生高性能非線性表示的方案，為后續(xù)的視覺(jué)屬性和高性能中層表示研究提供了堅(jiān)實(shí)的基礎(chǔ)。特別是本文最后給出的非線性中層表示，該方案容易得到稀疏表示，具有應(yīng)用到大規(guī)模圖像檢索系統(tǒng)中解決同類物體檢索問(wèn)題的潛力。
　　本文的研究表明，從