基于软分配位置-方向池化方法在图像分类中应用研究.pdfVIP

问字典：用于图像分类的软分配位置‑方向池化

王琪龙,邓晓娜,李沛华,张磊

大连理工大学，理工大学

局部软‑

池化步骤是图像分类中广泛使用的著名视觉词袋分配分类

编码

（Bag‑of‑visualwords，BoW）模型的关键组成部分图像局部特征字典学习特征例如SVM

之一。本文提出了一种新的池化方法，称为软分配位置‑提取例如k‑means编码

方向池化（Soft‑AssignmentLocation‑Orientation

Pooling，SALOP）。受统计抽样分析词袋（Bossa）

的启发，SALOP同样探讨了字典对池化方法的影响，但

利用了局部描述符与字典原子之间的位置和方向信息来

聚合特征码。此外，与现有的池化方法不同，SALOP采

用了一种软分配池化方案来处理池化过程中存在的歧义

和不确定性。评估是在两个图像基准数据集Scene15和

PASCALVOC2007上进行的。实验结果表明，我们的

SALOP可以取得令人期待的性能表现。(b)BOSSANOVA

索引词——图像分类，视觉词袋，软分配，位置‑方向池

图1.本文中使用的分类范式。我们的主要贡献是提出了

化，字典

一种新的池化方法SA‑LOP，如(a)所示。对于输入描述

1.引言符，我们计算其相对于字典中相邻原子的位置和方向，

并基于位置和方向的联合分布执行池化操作。(b)展示了

视觉词袋（Bag‑of‑visualwords，BoW）模型[20]已被BossaNova的方法——仅使用了位置信息。

成功应用于各种图像和视觉任务，尤其是在图像分类领

域。如图1所示，BoW模型包括局部特征提取、字典学

习（例如k‑means）、特征编码、池化以及分类。其中，每个区间执行的是加权最大池化操作。每个区间中的权

池化过程将特征编码聚合为最终的图像表示，对分类性重由在训练特征上学习得到的SVM分类器得分。

能具有重要影响[9],，近年来受到了广泛关注。根据

BoW模型的上述组成部分，池化算法的研究大致可分为基于码本级别的方法包含两种基本且广泛使用的池

四类。化操作：平均池化或最大池化，许多研究工作旨在改进

它们。[3,7]采用一种ℓ范数在平均池化与最大池化之

基于特征层级的方法是从局部特征