基于潜在狄利克雷分配图像多层视觉表示方法.docVIP

基于潜在狄利克雷分配图像多层视觉表示方法 　　摘 要：针对前馈型图像多层视觉表示方法难以处理局部模糊情况，提出一种基于潜在狄利克雷分配（LDA）的图像多层视觉表示方法——LDAIMVR。通过递归的概率分解方式，获得LDA的递归生成模型；同时，通过学习和推断多层结构的所有分层，以及利用反馈方式来提高分类学习性能。在Caltech 101数据集上的实验结果表明，与相关的多层视觉表示方法比较，LDAIMVR提高了数据对象的分类性能，并且在分量学习和图像特征区域可视化方面也得到了较好的效果。 关键词：分层视觉表示；计算机视觉；潜在狄利克雷分配；递归；反馈 中图分类号： TP391 文献标志码：A 0 引言 图像多层视觉表示是计算机视觉领域极为重要的方法，如SIFT（Scale Invariant Feature Transform）[1]、空间金字塔模型与词袋模型[2]，这些模型已经成功应用于计算机视觉领域，并取得了很好的效果。目前，前馈型分层表示[3-5]是著名的图像多层视觉表示方法。然而，它们着重于前馈型处理形式，即多层结构的每一层输出作为下一层的输入，这将很难抵抗视觉输入中的局部模糊性等问题。为了使局部信息更加明确，必须将图像由较多的前后文语义来全局表示。所以，获得一个递归的贝叶斯概率模型来处理繁杂的视觉特征是很有必要的。此外，先前的研究结果指出[6]，多层视觉表示的反馈机制不仅能够改善分类学习能力，而且能够使得推理过程中的局部信息更加清晰化。 基于上述分析，提出一种基于潜在狄利克雷分配（Latent Dirichlet Allocation， LDA）的图像多层视觉表示方法，记为LDAIMVR（Latent Dirichlet AllocationImage Multilayer Visual Representation）。该方法基于已经成功应用到文本分类领域[7-9]的LDA模型[10]，通过递归的概率分解方式，得到LDA的递归生成模型，即推断和学习所有的多层结构分层，并利用反馈方式来提高分类学习性能。在Caltech 101数据集[11]上的实验结果表明，与相关的多层视觉表示方法相比，LDAIMVR方法实现了很好的分类性能。 1 LDAIMVR方法 提出一种基于递归LDA思想的图像多层视觉表示方法，命名为LDAIMVR，即学习与推断所有层次结构分层的概率模型，并利用反馈方式来提高分类学习性能。 3 结语 提出一种基于递归LDA思想的图像多层视觉表示方法，通过递归的概率分解方式，得到LDA的递归生成模型，并且学习和推断多层结构的所有分层，利用反馈方式来提高分类学习性能。在经典数据集上的实验结果证明了提出方法的有效性。 参考文献： [1]LOWE D G. Distinctive image features from scaleinvariant keypoints [J]. International Journal of Computer Vision， 2004， 60（2）： 91-110. [2]LAZEBNIK S， SCHMID C， PONCE J. Beyond bags of features： spatial pyramid matching for recognizing natural scene categories [C]// Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington， DC： IEEE Computer Society， 2006： 2169-2178. [3]LEE H， GROSSE R， RANGANATH R， et al. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations [C]// ICML09： Proceedings of the 26th Annual International Conference on Machine Learning. New York： ACM， 2009： 609-616. [4]RANZATO M A， HUANG F J， BOUREAU Y L， et al. Unsupervised learning of invariant feature hierarchies with applications to o