一种用于图像分类的语义增强线性编码方法
肖文华* 包卫东 陈立栋 王炜 张茂军
(国防科技大学信息系统与管理学院 长沙 410073)
A Semantic Enhanced Linear Coding for Image Classification
Xiao Wen-hua Bao Wei-dong Chen Li-dong Wang Wei Zhang Mao-jun
(Information System and Management College, National University of Defense Technology, Changsha 410073, China)
摘要 针对传统编码模型中存在的编码歧义性问题,该文提出一种考虑特征上下文的语义增强线性编码方法。首先,通过学习局部邻域中特征共生关系矩阵来表示上下文信息。然后,在编码过程中同时引入学习而得的上下文信息与特征上下文匹配权重得到语义增强编码模型。由于上下文信息与上下文匹配权重的功能,使得此编码方法不仅丰富了编码的语义信息,还能够有效避免噪声带来的影响。在3个基准数据集(Scene15, Caltech101以及 Caltech256)上充分的实验验证了该方法的有效性。
关键词 :
图像分类 ,
特征编码 ,
上下文约束 ,
歧义性
Abstract :Considering the ambiguity problem in the traditional feature coding model, a feature context-aware semantic enhanced linear coding method is proposed. At first, the context information is represented by the concurrence matrix learnt from local area of the features. Then, the context information and a context matching weight are introduced into the coding model to form a new semantic enhanced coding model. Owning to the functions of context information and the context matching weight, this model not only enriches the semantic meaning of coding, but also efficiently avoids the affects of noise. Experiments on the baselines (Scene15, Caltech101, and Caltech256) demonstrate the effectiveness of the proposed method.
Key words :
Image classification
Feature coding
Context constraint
Ambiguity
收稿日期: 2014-06-05
基金资助: 国家自然科学基金(61175006)和博士学科点专项科研基金(20134307110029)资助课题
通讯作者:
肖文华:男,1988年生,博士生,研究方向为多媒体技术、指挥信息系统.
E-mail: wenhuaxiao@nudt.edu.cn
引用本文:
肖文华, 包卫东, 陈立栋, 王炜, 张茂军. 一种用于图像分类的语义增强线性编码方法[J]. 电子与信息学报, 2015, 37(4): 791-797.
Xiao Wen-Hua, Bao Wei-Dong, Chen Li-Dong, Wang Wei, Zhang Mao-Jun. A Semantic Enhanced Linear Coding for Image Classification. , 2015, 37(4): 791-797.
链接本文:
http://jeit.ie.ac.cn/CN/10.11999/JEIT140743 或 http://jeit.ie.ac.cn/CN/Y2015/V37/I4/791
[1]
乔雪,彭晨,段贺,张钰尧. 基于共享特征相对属性的零样本图像分类 [J]. 电子与信息学报, 2017, 39(7): 1563-1570.
[2]
郭继昌,张帆,王楠. 基于Fisher约束和字典对的图像分类 [J]. 电子与信息学报, 2017, 39(2): 270-277.
[3]
樊养余,李祖贺,王凤琴,马江涛. 基于跨领域卷积稀疏自动编码器的抽象图像情绪性分类 [J]. 电子与信息学报, 2017, 39(1): 167-175.
[4]
唐中奇,付光远,陈进,张利. 基于低秩结构提取的高光谱图像压缩表示 [J]. 电子与信息学报, 2016, 38(5): 1085-1091.
[5]
李祖贺,樊养余,王凤琴. YUV空间中基于稀疏自动编码器的无监督特征学习 [J]. 电子与信息学报, 2016, 38(1): 29-37.
[6]
陈博, 王爽, 焦李成, 刘芳,毛莎莎, 张爽. 利用0-1矩阵分解集成的极化SAR图像分类 [J]. 电子与信息学报, 2015, 37(6): 1495-1501.
[7]
杨兴明,吴克伟,孙永宣,谢昭. 可迁移测度准则下的协变量偏移修正多源集成方法 [J]. 电子与信息学报, 2015, 37(12): 2913-2920.
[8]
嵇朋朋, 闫胜业, 李林, 刘青山. 基于区域非均匀空间采样特征的图像分类方法 [J]. 电子与信息学报, 2014, 36(11): 2563-2570.
[9]
宋相法, 焦李成. 基于稀疏编码和集成学习的多示例多标记图像分类方法 [J]. 电子与信息学报, 2013, 35(3): 622-626.
[10]
赵春晖, 王莹, Masahide KANEKO . 一种基于词袋模型的图像优化分类方法 [J]. 电子与信息学报, 2012, 34(9): 2064-2070.
[11]
赵春晖, 张燚, 王玉磊. 基于小波核主成分分析的相关向量机高光谱图像分类 [J]. 电子与信息学报, 2012, 34(8): 1905-1910.
[12]
张绍明, 何向晨, 张小虎, 孙义威. 高分辨率星载SAR图像水上桥梁解译 [J]. 电子与信息学报, 2011, 33(7): 1706-1712.
[13]
贾世杰, 孔祥维. 一种新的直方图核函数及在图像分类中的应用 [J]. 电子与信息学报, 2011, 33(7): 1738-1742.
[14]
赵力文, 周晓光, 蒋咏梅, 匡纲要. 一种基于Freeman分解与散射熵的极化SAR图像迭代分类方法 [J]. 电子与信息学报, 2008, 30(11): 2698-2701 .
[15]
张东波; 王耀南. 基于近似域划分的可变离散精度粗逻辑网络及其遥感图像分类应用 [J]. 电子与信息学报, 2007, 29(11): 2720-2724 .