图像分类算法与应PPT学习教案

1、会计学1图像分类算法与应图像分类算法与应第1页/共38页第2页/共38页James Wang：1.语义类别（例如照片照片或者剪贴画，室外室外）2.物体的罗列（人，篮球架，楼）3.抽象的语义（运动，打篮球）4.具体的语义（具体的描述一个图像） 第3页/共38页第4页/共38页Caltech 101第5页/共38页 海滩 恐龙 非洲 第6页/共38页尺度变化尺度变化光照变化光照变化第7页/共38页类内差异类内差异类间差异类间差异第8页/共38页第9页/共38页第10页/共38页nSzummer和Picard 分类“室内”/“室外” 颜色和纹理特征 K-NN 投票nSerrano SVM分类 SVM

2、输出结果相加nPaek和Chang 图像分割 使用贝叶斯网络第11页/共38页Spatial Envelope -Oliva和Torralba提出NaturalnessOpennessRoughnessExpansionRuggedness第12页/共38页Vogel和Schiele提出第13页/共38页第14页/共38页感兴趣区域检测器感兴趣区域检测器描述子描述子第15页/共38页第16页/共38页第17页/共38页 0, 1 s.t. 21 , min1jbyCbJjjjTjljjTxwwww xx :HX ,xxxxk第18页/共38页0 , 2exp,22xxxxk0 , exp,2x

3、xxxk高斯核（Gaussian RBF）: 0 , exp,xxxxk0 , exp,xxxxk拉普拉斯核（Laplacian RBF）：0 , , ,cNdckdxxxx1 , 1 , ,11,xxxxxxk多项式核（polynomial）: 无限多项式核（infinite polynomials）：第19页/共38页Svetlana Lazebnik-Spatial Pyramid Matching Kernel(空间金字塔匹配核空间金字塔匹配核)Spatial Pyramid RBF Gaussian KernelSpatial Pyramid 2 Kernel 2Di=1,exp ,

4、 0llllXYXyI HHHiHi 2Di=1,exp , 0llXyllXYllXyHiHiI HHHiHi第20页/共38页Corel图像库中的10类Libsvm，5折交叉验证C= 2-3, 2-1, , 215=2-15,2-13,25第21页/共38页Spatial Pyramid RBF Gaussian KernelSpatial Pyramid 2 Kerneln以上两种核的结果都有所提高n1+4的形式最好n自动学习出权重第22页/共38页多分类器融合框架多分类器融合框架第23页/共38页( )( )maxmin(min( ), ( )kkkx EETTeh tg th tg

5、E0,1maxmin( , ()g h max min,kkiiehtg A 11g Agt111iiiiig Agg Ag g Ain 函数g : 2T 0,1叫做g模糊测度，如果它满足如下性质：(I) g()=0; (II) g(T)=1;(III) g(A)g(B), if AB 并且 A, BT(IV) 对于所有的A, BT并且 AB = g(AB) = g(A) + g(B) +g(A)g(B) 对于某一个 -1第24页/共38页第25页/共38页特征名特征长度描述CH-RGB644bins R4bins G4bins BCH-HSV9632bins H+32bins S+ 32bi

6、ns VCH-Lab10032bins L+32bins a+36bins bCCV1284bins R4bins G4bins B2Edge Histogram80PWT27Corel图像库中的10类Libsvm，线性核C=2-5,2-4,2105折交叉验证第26页/共38页平均精度平均精度我的方法我的方法84.66%DD-SVM81.5%Hist-SVM66.7%(Chen) 79.8%(Qi)CCV80.52%MILES82.6%Qi88.8%DD-SVM(Qi)82%第27页/共38页 “海滩”被误分为“山川”“山川”被误分为“海滩”经常被误分的图片经常被误分的图片第28页/共38页C

7、at 0Cat 1Cat 2Cat 3Cat 4Cat 5Cat 6Cat 7Cat 8Cat 90.00.81.0Average precision of each image classImage categories RGB HSV Lab Edge CCV PWT Fusion融合方法与子分类器的精度对照融合方法与子分类器的精度对照第29页/共38页1002003004005000.700.750.800.85Average Classification AccuracyNumber of Training Images Our Method DD-SVM1002003004005000.9Average Classification AccuracyNumber of training images Our Method CH-RGB CH-HSV CH-Lab EH C