基于上下文信息和核熵成分分析的目标分类算法

被引：7

作者：

潘泓 ^{[1
,2
]}

朱亚平 ^{[3
]}

夏思宇 ^{[1
,2
]}

金立左 ^{[1
,2
]}

机构：

[1] 东南大学自动化学院

[2] 东南大学复杂工程系统测量与控制教育部重点实验室

[3] 中国传媒大学信息工程学院

来源：

电子学报 | 2016年 / 44卷 / 03期

关键词：

上下文核描述子; 核熵成分分析; 特征降维; 目标分类;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

结合图像属性上下文信息和核熵成分分析,构造了一种新颖的基于下上文信息的局部特征描述子——上下文核描述子(Context Kernel Descriptors,CKD).上下文信息的引入提高了CKD特征的鲁棒性,减少了特征误匹配.核熵成分分析从全维CKD特征分量中选出最能代表目标几何结构信息的特征分量,将其投影到这些特征分量张成的子空间上可得到降维CKD特征.在Caltech-101和CIFAR-10的测试结果表明,CKD的分类性能不仅明显优于其它局部特征描述子,还优于多数基于稀疏表示和深度学习等复杂模型的目标分类算法.

引用

页码：580 / 586

页数：7

共 5 条

[1]

Context models and out-of-context objects[J] . Myung Jin Choi,Antonio Torralba,Alan S. Willsky.Pattern Recognition Letters . 2011 (7)

[2]

Context based object categorization: A critical survey[J] . Carolina Galleguillos,Serge Belongie.Computer Vision and Image Understanding . 2010 (6)

[3] Distinctive image features from scale-invariant keypoints [J].

Lowe, DG .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) :91-110

[4]

On Estimation of a Probability Density Function and Mode[J] . Emanuel Parzen.The Annals of Mathematical Statistics . 1962 (3)

[5]

Discriminative Learning of Sum-Product Networks .2 Gens R,Domingos P. NeuralInformation Processing Systems (NIPS) . 2012

← 1 →