基于fisher kernel的图像特征学习研究

《基于fisher kernel的图像特征学习研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、零罗１－ＳＢ木固許達若若大赛Ｉ：气ＵｎｉｖｅｒｓｉｔｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｏｆＣｈｉｎａ；３ｙｇｙ硕±学位论文馨＊？基子ＦｉｓｈｅｒＫｅｍｄ的目固緣特征学习研完拓是法作者姓名计？如；里冷学科专＾＾件与业丢巧华敕投导师姓名二〇—六年巧月完成时间中＠种《我术乂緣硕±学位论文戀基于ＦｉｓｈｅｒＫｅｒｎｅｌ的图像特征学习研究－作者姓名：赵厶巧学科专业：计筑机软件与理论导师姓名

2、：岳腑华教授二〇－－六年完成时间：ｍＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｏｆＣｈｉｎａＡ’Ｄｉｓｓｅｒｔａｔｉｏｎｆｏ「ＭａｓｔｅｒｓＤｅｒｅｅｇ戀Ｒｅｓｅａｒｃｈｏ口ＩｍａｇｅＦｅａｔｕｒｅＬｅａｒｎｉｎｇＢａｓｅｄｏｎＦｉｓｈｅｒＫｅｒｎｅｌ’Ａｕ化ｏｒｓＮａｍｅ：ＹｕｎｈａｏＺｈａｏＳｐｅｃｉａｌｔ：ＣｏｍｐｕｔｅｒＳｏｆｔｗａｒｅａｎｄＴｈｅｏｒｙｙＳｕｅｒｖｉｓｏｒ：Ｐｒｏｆ．ＵｈｕａＹｕｅ

3、ｐＦｉｎｉｓｈｅｄｔｉｍｅ：Ａｐｒｉｌ，２０１６中国科学技术大学学位论文原勒性声明本人声明所呈交的学位论文，是本人在导师指导下进行研巧工作所取得的成果。除己特别加Ｗ标注和致谢的地方外，论文中不包含任何他人己经发表或巧写过的研巧成果一。与我同工作的同志对本研巧所做的巧献均已在论文中作了明巧的说明。＇作者签名：韦乂心签字日期：ｉＭｉ、中国科学技术大学学位论文授枚使用乐明一作为申请学位的条件之，学位论文著作权拥有者授权中国科学技术大学拥有学位论文的部分使用权，即：学校有权按有关規

4、定向国家有关部口或化构送交论文的复印件和电子版，允许论文被査阅和借阐，可Ｗ将学位论文编入有关巧据库进行检索，可Ｗ采用巧印、缩印或扫描等复制手段保存、汇编学位论文。本人提交的电子文档的内容和纸巧论文的内容相一致。学位论文在解巧后也遵守此規定。Ｚ□保巧（—年）作者签名：导师签名：，名签字日期：Ｌ■Ｖ签宇日期：巧要在如今数据爆炸的时代，如何对数据进行有效的分类筛选，从而准确获取符合用户需求的有价值的信息成为人们面临的主要问题。在所巧的数据类型中，留一像是巧中簽常化的，

5、甘有着信息量大Ｗ及便于理解等特点种，因而针对图像的分析Ｕ理解遂渐成为研究的热点。其主要的研巧方向包括團像分类、围像检索Ｗ及目标识别等，它们有着各自不問的研巧内容和日的，但相笠之间也有所关联。由于團像数据量大及其非结构化等持性，几乎所有的齒像分析与理解任务都不能直接在原圍像上进行像素级的分类识别等操作，需要将團像表巧为易于处理的特征向量，。这种函像特征表达的好坏直接影响了國像分析巧理解的结果特征构建方法也由数字图像处理发展到特征学习领域，不同于前者的手工构建特征，恃征学习是在给定数据集上进行监督

6、或非监督的机器学习得到需要的特征表达。在众多的特征学习方法中Ｋｌ，Ｆｉｓｈｅｒｅｒｎｅ方法利用高斯混合模型在图像局部，特征上构建特征码本并通过求解模型上的对数似然梯度得到全局的特征表示，相对于其他模型在围像表达的全面性和判别性方面都展现了很大优势，同时，一ＦｉｓｈｅｒＫｅｒｎｅｌ作为类标准的特征学习框架在兼容性和扩展性方面都有着巨大的潜力。因化基于ＦｉｓｈｅｒＫｅｒｎｅｌ的困像特征学习方法的研巧具有重要意义。本文首先对基本的巧出ｅｒＫｅｍｅｌ方法进行改进，引入多码本概念，提裔视觉词之间的

7、区分度不同尺度图像巧带信息不同的特性－，提出，并根据种多尺度多码本的图像表达方法，得到效果更好的特征。另外，利用近年发展起来的卷积神经网络，提出跨卷积层池化的ＦｉｓｈｅｒＫｅｍｄ围像特征表么充分利用了卷积网络的内在特性并融合了两者的优势得到新的持征表达。本文的主要贡献如下：一（１）由于基本的ＦｉｓｈｅｒＫｅｒｎｅｌ模型存在单码本限制特征表达效果的问，本文针对该问题提出多码本联合编码题，利用码本间的差异化提供更加全面的特征表达，同时在输入端将不同尺度的图像与不同码本相对应，构建了完整的多尺度多

8、码本图像表达体系一，进步提升了表达效果。（２）ＦｉｓｈｅｒＫｅｒｎｅｌ相将卷积神经网络与结合，利用卷积神经网络来提取图巧特征，并用ＦｉｓｈｅｒＫｅｍｅｌ对其进行编码得到图像表达。在此过程中，本文根据卷积网络的持性提出多空间单元的恃征提取方法Ｗ获得更加全面的酉像局部特征，Ｗ及跨卷积层的空间池化方法来