利用局部语义描述子和协同匹配的场景建模.docVIP

  利用局部语义描述子和协同匹配的场景 建模# 凌然，谢昭，高隽，赵碧茹** 5 10 15 20 （合肥工业大学计算机与信息学院，合肥 230009） 摘要：根据协同识别理论中的支配原理，我们设计了一种捕获视觉语义原型嵌入的方法，将 场景解释建模表示为视觉语义的交互过程，包括自激励 自抑制 它抑制对模式识别结果的稳 定性进行讨论。本文模型能在局部标记中进行自动修正，比原有的场景分类 SVM 方法得到 更好的结果。 关键词：协同系统；局部语义特征；全局直方图原型；协同迭代；支持向量机 中图分类号：TP 391.41 Modeling scene with local semantic descriptors and collaborative matching LING Ran, XIE Zhao, GAO Jun, ZHAO Biru (School of Computer and Information, Hefei University of Technology, Hefei 230009) Abstract: correspondences from visual cues and semantic ones as prototypes in dynamic system. As the scene modeling for interpretation, collaborative visual-semantic interactions are factorized as self-simulation, self-restraint and other-restraint processes with decrease of energy to stable situation. Better performances demonstrate our framework can automatically correct false local labels with improvement of scene categorization via . Key words: synergic system; local semantic feature; global histogram prototype; collaborative interaction; support vector machine  25 30 35  0 引言 场景建模区别于目标建模，主要原因在于场景是一个融合较多景物的集合，主要难点在 于景物目标如何组成场景[1,2]。当前，有许多方法应用于场景建模，例如，局部和全局场景 的建模，后者更利于表达场景内容因此受到更多关注[3,4]。局部特征可以通过 DOG[5] 、SIFT [6] 、RIFT[7]等区域信息，以此作为场景内容的表达基础。多数词汇模型都建立在局部特征 基础上，借助于 Knn、层次，视觉树等组织方法，将特征空间转化为“视觉词汇”的概念空间。 对于一副给定的图像，局部特征的聚类过程完成了图像块到词汇包的转换，并且允许目标尺 度、视角以及遮挡的变化。基于词汇的场景建模方法，最后利用 SVM、 pLSA 、CRF 、 MRF 等统计推理工具，完成从词汇分布到场景描述的跨越。这种基于词汇包的监督学习方 法，是当前的主流方法。 有效的词汇构建是场景表达的关键，因此，词汇码本的局部特征选择与特征组织方式成 为场景建模的主要讨论问题。SIFT 由于其局部不变性，经常被应用于词汇包的构建，此外 也 涉及 DOG，SIFT 等局部算子。近期研究工作表明，语义标签监督下的 SIFT 特征具有较好 基金项目：国家自然科学基金，教育部博士点基金（20090111110015）。 作者简介：凌然（1988-），女，硕士研究生，主要研究方向：图像理解、信号处理、模式识别 通信联系人：谢昭（1980-），男，副研员，主要研究方向为图像理解、人工智能、模式识别. E-mail: xz_1313@163.com -1-   视觉词汇描述能力。语义词汇的选择和标注方法对词汇量化有着重要的影响。LabelMe[8] 利用 Wordnet 词汇包[9]，实现了场景语义的词频发现，空间关联发现、共生发现等功能， 40 45 50 55 60 65 70 为当前场景建模提供了图像基准和语义基准。 语义中多实例多标记往往是 场景建模中目标标记的难点。从特征相似性角度出发，研 究词汇包的聚类方法，可以给予目标形变的一定兼容能力，但是，特征多标记归属问题仍然 是悬而未决。提高特征向概念的转换的准确性，才能实现更好的场景描述，实际上，是后续 分类推理的重