主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第5期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
艾浩军,张敏,方禹,赵梦蕾,李泰舟,王红霞.视觉词汇的主成分线性编码方法.软件学报,2013,24(S2):42-49
视觉词汇的主成分线性编码方法
Principal Component Linear Coding for Visual Words
投稿时间:2012-06-15  修订日期:2013-07-22
DOI:
中文关键词:  视觉词袋  共线性  主成分回归  特征点归并  能量正则化
英文关键词:bag of visual words  co-linearity  principal component regression  feature points merging  energy regularization
基金项目:国家科技支撑计划(2012BAH35B03)
作者单位E-mail
艾浩军 武汉大学 计算机学院, 湖北 武汉 430072
武汉大学 国家多媒体软件工程技术研究中心, 湖北 武汉 430072 
aihj@whu.edu.cn 
张敏 武汉大学 计算机学院, 湖北 武汉 430072
武汉大学 国家多媒体软件工程技术研究中心, 湖北 武汉 430072 
 
方禹 武汉大学 计算机学院, 湖北 武汉 430072
武汉大学 国家多媒体软件工程技术研究中心, 湖北 武汉 430072 
 
赵梦蕾 武汉大学 计算机学院, 湖北 武汉 430072
武汉大学 国家多媒体软件工程技术研究中心, 湖北 武汉 430072 
 
李泰舟 武汉大学 计算机学院, 湖北 武汉 430072
武汉大学 国家多媒体软件工程技术研究中心, 湖北 武汉 430072 
 
王红霞 武汉理工大学 计算机科学与技术学院, 湖北 武汉 430063  
摘要点击次数: 1590
全文下载次数: 1849
中文摘要:
      针对视觉物体分类中视觉词汇局部线性编码缺少显著性检验和共线性分析的问题,提出了主成分线性编码方法,选择与特征点具有最强线性相关性的K近邻视觉单词,采用主成分多元线性回归方法以解决视觉单词的共线性问题,从而减小编码系数的偏差和不稳定,提高视觉物体分类的精度.依据图像量化结果的稀疏性是影响分类精度的重要因素,进一步对主成分线性编码得到的量化结果做稀疏性分析并进行能量正则化处理,提高分类效率.实验结果表明,与已有方法相比,平均分类正确率提高了1%以上.
英文摘要:
      By means of significant test and co-linearity analysis, this paper proposes principal component linear encoding which selects the K-nearest neighbor visual word with the strongest linear correlation. The multiple linear regression method based on principal component is used to solve weak and instable coding caused by the visual words' co-linearity problem, improving the accuracy of the visual object classification effectively. Recognizing that the scarcity of the image quantify plays an important roles in the classification accuracy, the study analyzes the scarcity of the quantitative results obtained by the principal component linear encoding and then processes it with energy regularization to improve the classification efficiency further. The experimental results demonstrate that this method increases the recognition rate average over 1% than existing algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利