基于多尺度稀疏表示的场景分类

《基于多尺度稀疏表示的场景分类》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、第29卷第1期2012年1期计算机应用研究ApplicationResearchofComputers基于多尺度稀疏表示的场景分类段菲，章毓晋（清华大学电子工程系，北京市100084）摘要：捉出一种基于多尺度稀疏表示的场景分类框架。首先从图像中提取多个尺度的局部特征，然后利用稀疏編码为每个尺度的特征单独学习相应的过完备字典；在图像表示阶段，为图像各尺度上的局部特征依据与其对应尺度的字典进行編码，并按照空间金字塔表示方法和特征各维最大汇总（maxpooling）对各尺度上的特征編码分别汇总，最后将不同尺度上汇总的特征串接，形成对图像最终描述的全局向量。在三个常用标准场景库上的分类结果表明

2、，提出的算法由于利用了不同尺度特征间的互补关系，与采用单尺度特征的方法相比，性能有了显著提升。关键词：稀疏表示；多尺度；场景分类；空间金字塔表示中图分类号：TP391.4文献标志码：A文章编号：（作者可不填）doi:10.3969/j.issn.1001-3695（作者可不填）Multi-scalesparserepresentationbasedscenecategorizationDUANFei,ZHANGYujin（DepartmentofElectronicEngineeringTsin^huaUniversity,BeijingJ000849China）Abstract:Th

3、ispaperproposesanovelmulti-scalesparserepresentationbasedframeworkofscenecategorization.Firstly,localfeaturesofmultiplescalesarcextracted,thendictionariesofeachscalearclearnedbyusingsparsecodingalgorithm;inthestageofimagerepresentation,thepaperproposestoencodeeachlocalfeatureaccordingtodictionar

4、yonthesamescale.Byusingspatialpyramidrepresentationandfeaturemax-pooling,thefeaturesoneachscalearesummarized.Inthefinalstep，theproposedalgorithmconcatenatesthepooledfeaturesofdifferentscalestoformtheholisticfeature.Theexperimentalresultsonthreepopularbenchmarkdatasetsshowthatsincetheproposedmeth

5、odutilizethecomplementaryrelationshipoffeaturesondifferentscales，betterperformanceisobtainedcomparedwithmethodsusingfeaturesonsinglescale.Keywords:sparserepresentation;multi-scale;scenecategorization;spatialpyramidrepresentation收稿F期：2012-03-12；修回円期：基金项目：国家0然科学难金项H(61171118)作者简介：段罪(1979-)，男(汉族)，山

6、两人.博士研宄主，主耍研％方向力阁像处理、机器学习(duanf@163.com):牵毓昔(1954-)，男，博士，教授，主耍科学研究领域为孩•积极侣导的图象工程(图象处理、图象分析、图象理解及典技术应用)和相关学科.近年來，词袋模型111(Bag-of-Word，BoW)在场彔分类屮获得Y广泛应用。该模型由局部特征提取、字典学习、特征编码(或称向量量化)、特征汇总四个环节构成，首先从图像屮抽取若干局部特征，然后将这些局部特征进行聚类(通常为K-Means)而形成视觉字典；在表示图像时,则依据扱近邻匹配准则述立图像W部特征到视觉词汇表巾何条的映射，也称向飛？:化(vectorquanti

7、zation，VQ)；最后统计出整幅图像中所有视觉词汇的出现频率直方图(通常称之为特征平均汇总(averagepooling))，作为IS终的图像表示。可以看出，传统的词袋校型并未对图像中局部特征之间的位罝关系予以考虑，这显然会制约其描述能力。针对该问题，Lazebnik等121提出空间金字塔表示模型(SPM，spatialpyramidmatching)，在特征汇总阶段对传统列袋模型进行了扩展，极大地提升了词袋校型的性能。除缺乏对空间信息的刻