面向图像分类的跨域字典学习

《面向图像分类的跨域字典学习》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、Cross-DomainDictionaryLearningforImageClassificationADissertationSubmittedfortheDegreeofMasterCandidate：LiuTengSupervisor：Prof.LuoRonghuaSouthChinaUniversityofTechnologyGuangzhou,China分类号：TP3学校代号：10561学号：201320130167华南理工大学硕士学位论文面向图像分类的跨域字典学习作者姓名：刘腾指导教师姓名、职称：罗荣华副教授申请学位级别：硕士工程领域名称：计算机科学与技术研究方向：机器学

2、习论文提交日期：2016年4月28日论文答辩日期：2016年6月3日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：李桂清委员：赵跃龙何克晶张见威罗荣华摘要本文关注的是图像分类问题，利用其他已知域中的标记数据作为辅助源域数据来增强初始学习系统，通过结合源域数据来扩展初始训练数据内部类的多样性，也就是通过迁移学习在相似的领域之间实现信息的共享和迁移，使传统的从零开始的学习变成可积累的学习。但是如果我们获取的作为补充的其他域的图像，与我们要进行分类的目标域图像，经转换后仍无法消除差异,此时就要求我们的方法应该考虑所补充源域与目标域之间的差异，以便能更好的服务于我们的目标

3、域分类。字典学习已经在很多计算机视觉任务上获得成功，本文也使用一种跨域字典学习方法，使初始目标域数据和辅助源域数据在相同的特征空间，我们的跨域字典学习方法学习有识别力的、域适应的字典（源域字典和目标域字典），同时也生成一个相应的分类器。这种方法可在高维进行操作，而且可以在不同跨域应用中使用。迁移学习方法的分类效果很大程度依赖于源域与目标域的分布关系，多源迁移学习在多个源域中选择出合适的源域数据进行知识迁移。本文研究面向图像分类的跨域字典学习，重点解决源域与目标域数据经转换后仍无法消除差异时图像分类效果下降的问题，同时应用多源的思想进一步提高图像分类的准确率，贡献如下：（1）提出面向图像

4、分类的带迁移误差的跨域字典学习方法。考虑源域与目标域的差异，保留经迁移矩阵转换后的源域和目标域稀疏系数的差值。现实情况中我们获得的源域数据即使经过迁移转换后仍与目标域数据存在差异，对于这种情况我们的方法能够更好地适应，从而使我们的图像分类方法适用范围更广。（2）提出面向图像分类的多源跨域字典学习方法。将单源扩展为多源，应用多个源域数据，使得更多目标域训练数据得以与源域数据相匹配。在训练字典和分类器时，得到多个源域字典，这样我们可以获得更好的目标域字典和目标域稀疏表示，从而使图像分类效果更好。同时以实验为基础，调整各个源域的相对比重，使得源域数据能更好地增强图像分类效果。关键词：字典学习

5、；迁移学习；跨域；图像分类IAbstractWeaddresstheimageclassificationproblemandpresentamethodthatutilizeslabeleddatafromotherimagedomainsastheauxiliarysourcedataforenhancingtheoriginallearningsystem.Theproposedmethodaimstoexpandtheintra-classdiversityoforiginaltrainingdatathroughthecollaborationwiththesourcedat

6、a.Inotherwords,weusethetransferlearningmethodtoshareortransfertheinformationbetweenthedifferentdomainsortasks.Itcanmaketraditionalmachinelearningmoreflexibletolearn.However,iftheimageswhichgettingfromthesourcedomainasasupplementcannoteliminatethedifferencebetweenwiththeimagesthatgettingfromtheta

7、rgetdomainafteraconversion，atthispoint,weshouldconsiderthedifferencebetweenthesourcedomainandthetargetdomain,sothatwecanprovidebetterservicetoourtargetdomain’classification.Dictionarylearninghasbeensuccessfulinmanycomputervi