学位论文 > 优秀研究生学位论文题录展示

最近邻搜索方法在大可视目标识别中的应用

作　者: 喻荣超
导　师: 程洪
学　校: 电子科技大学
专　业: 控制工程
关键词: 最近邻分类器目标检测和识别大可视识别几何对应性空间金字塔匹配
分类号: TP181
类　型: 硕士论文
年　份: 2013年
下　载: 17次
引　用: 0次
阅　读: 论文下载

内容摘要

最近邻分类器是机器学习中最古老的分类方法。作为非参数的分类方法，由于其具有不需要训练步骤、可以自然处理多类问题、避免参数过拟合等优势，最近邻分类器成为机器学习和模式识别的一个研究热点。尤其是在大可视识别问题中，最近邻分类器可以更好地发挥作用。本论文的主要学术贡献如下：首先，本文针对纯贝叶斯最近邻算法(Na ve Bayes Nearest Neighbor, NBNN)，将空间信息加入最近邻搜索核，提出金字塔最近邻搜索算法(Pyramid NearestNeighbor Searching, PNNS)。该方法的主要学术思想是将全局几何对应性引入纯贝叶斯最近邻算法中。首先，类似于空间金字塔匹配(Spatial Pyramid Matching, SPM)方法，将图像按金字塔结构分成不同的子窗；其次，在每个金字塔窗中引入PNNS度量局部描述器和类特征集相似度。有别于SPM算法中的固定权值，本文用类独立的方式学习金字塔窗的权值，因此可以得到特定类的几何对应性。最后，开发了一个最优的最近邻分类器框架并融入不同金字塔窗的核函数。该算法通过在四个公共数据库上的实验评估，实验结果展示了金字塔最近邻搜索算法显著地超越了现今技术。其次，本文在金字塔最近邻搜索算法的基础上，提出核化的最近邻搜索算法(Kernelized Pyramid Nearest Neighbor, KPNN)。针对类不平衡的问题，金字塔最近邻的特征描述方法通过一个核映射函数将局部特征的度量转化成图像的全局特征，并能够提供给支持向量机分类器(Support Vector Machine, SVM)用于目标分类。此外，为了更好地标定每个子窗的分类器输出，论文拟合Sigmoid函数并加权金字塔窗的输出。这些Sigmoid参数和权值可以通过类独立和窗独立的方式学习得到。通过在两个公共数据库上的实验比较，展示了核化金字塔最近邻算法优异的性能。最后，针对大可视识别问题，本文提出积量化金字塔最近邻搜索算法(ProductQuantization Pyramid Nearest Neighbor Search, PQPNNS)。该算法通过对特征编码从而提升了计算效率并且降低了存储消耗。实验结果表明在大数据的条件下，同传统PNNS算法相比，该算法计算效率可提高300倍，存储空间可节省数十倍。

全文目录

摘要  5-6
ABSTRACT  6-8
目录  8-11
第一章绪论  11-16
  1.1 研究背景及意义  11-12
  1.2 国内外研究现状及发展趋势  12-14
    1.2.1 最近邻方法  12-13
    1.2.2 空间几何方法  13-14
    1.2.3 大可视识别  14
  1.3 本论文所做贡献及结构安排  14-16
第二章纯贝叶斯最近邻算法综述  16-26
  2.1 引言  16-18
  2.2 纯贝叶斯最近邻算法  18-19
  2.3 优化纯贝叶斯最近邻算法  19-23
    2.3.1 最优纯贝叶斯最近邻算法  19-20
    2.3.2 纯贝叶斯互信息最大化算法  20-22
    2.3.3 “图像到类”距离度量学习算法  22-23
  2.4 快速纯贝叶斯最近邻算法  23-25
    2.4.1 局部纯贝叶斯最近邻算法  23-24
    2.4.2 非线性嵌入快速最近邻搜索算法  24-25
  2.5 本章小结  25-26
第三章金字塔最近邻搜索核方法  26-41
  3.1 引言  26-27
  3.2 空间金字塔匹配  27-28
  3.3 金字塔最近邻算法概述  28-29
  3.4 金字塔最近邻搜索核  29-30
  3.5 最优金字塔最近邻分类器  30-32
    3.5.1 仿射参数学习  30-31
    3.5.2 多类 AdaBoost 算法  31-32
  3.6 实验结果及分析  32-40
    3.6.1 实验配置  32-34
    3.6.2 Scene-15 数据库  34-37
    3.6.3 Graz 数据库  37-39
    3.6.4 Caltech-101 数据库  39-40
  3.7 本章小结  40-41
第四章核化金字塔最近邻算法  41-54
  4.1 引言  41
  4.2 核函数方法  41-43
  4.3 核化纯贝叶斯最近邻算法  43-44
  4.4 核化金字塔最近邻算法概述  44-45
  4.5 核化金字塔最近邻特征表示  45-46
  4.6 核化金字塔最近邻分类器  46-49
    4.6.1 Sigmoid 函数  47
    4.6.2 组合分类器  47-48
    4.6.3 学习 Sigmoid 参数  48
    4.6.4 复杂度分析  48-49
  4.7 实验结果及分析  49-53
    4.7.1 实验配置  49
    4.7.2 Scene-15 数据库  49-52
    4.7.3 Caltech-101 数据库  52-53
  4.8 本章小结  53-54
第五章积量化金字塔最近邻算法  54-61
  5.1 引言  54
  5.2 积量化最近邻搜索  54-57
    5.2.1 量化  54-55
    5.2.2 索引  55-56
    5.2.3 搜索  56-57
  5.3 积量化金字塔最近邻算法  57-60
    5.3.1 算法步骤  57-59
    5.3.2 复杂度分析  59-60
  5.4 实验结果及分析  60
  5.5 本章小结  60-61
第六章总结  61-62
致谢  62-63
参考文献  63-69
附录  69-72
攻硕期间取得的研究成果  72-73

最近邻搜索方法在大可视目标识别中的应用

内容摘要

全文目录

相似论文