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
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12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
谢博鋆,朱杰,于剑.基于Pivots选择的有效图像块描述子.软件学报,2015,26(11):2930-2938
基于Pivots选择的有效图像块描述子
Efficient Patch-Level Descriptor for Image Categorization via Patch Pivots Selection
投稿时间:2015-05-28  修订日期:2015-08-26
DOI:10.13328/j.cnki.jos.004898
中文关键词:  标志性图像块  不完整Cholesky分解  核描述子  有效图像块描述子  MMD距离
英文关键词:patch pivot  incomplete Cholesky decomposition  kernel descriptor  efficient patch-level descriptor  MMD distance
基金项目:国家自然科学基金(61370129, 61375062, 61300072); 高等学校博士学科点专项科研基金(20120009110006); 河北省教育厅青年基金(QN2015099); 河北省社会科学基金(HB15TQ013)
作者单位E-mail
谢博鋆 交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044
河北省机器学习与计算智能重点实验室(河北大学), 河北 保定 071002 
 
朱杰 交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044
中央司法警官学院 信息管理系, 河北 保定 071000 
 
于剑 交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044 jianyu@bjtu.edu.cn 
摘要点击次数: 1944
全文下载次数: 1632
中文摘要:
      设计图像块特征表示是计算机视觉领域内的基本研究内容,优秀的图像块特征表示能够有效地提高图像分类、对象识别等相关算法的性能.SIFT(scale-invariant feature transform)和HOG(histogram of oriented gradient)是人为设计图像块特征表示的优秀代表,然而,人为设计图像块特征间的差异往往不能足够理想地反映图像块间的相似性.核描述子(kernel descriptor,简称KD)方法提供了一种新的方式生成图像块特征,在图像块间匹配核函数基础上,应用核主成分分析(kernel principal component analysis,简称KPCA)方法进行特征表示,且在图像分类应用上获得不错的性能.但是,该方法需要利用所有联合基向量去生成核描述子特征,导致算法时间复杂度较高.为了解决这个问题,提出了一种算法生成图像块特征表示,称为有效图像块描述子(efficient patch-level descriptor,简称EPLd).算法建立在不完整Cholesky分解基础上,自动选择少量的标志性图像块以提高算法效率,且利用MMD(maximum mean discrepancy)距离计算图像间的相似性. 实验结果表明,该算法在图像/场景分类应用中获得了优秀的性能.
英文摘要:
      Designing patch-level features is essential for achieving good performance in computer vision tasks, such as image classification and object recognition. SIFT (scale-invariant feature transform) and HOG (histogram of oriented gradient) are the typical schemes among many pre-defined patch-level descriptors, but the difference between artificial patch-level features is not good enough for reflecting the similarities of images. Kernel descriptor (KD) method offers a new way to generate features from match kernel defined over image patch pairs using KPCA (kernel principal component analysis) and yields impressive results. However, all joint basis vectors are involved in the kernel descriptor computation, which is both expensive and not necessary. To address this problem, this paper presents an efficient patch-level descriptor (EPLd) which is built upon incomplete Cholesky decomposition. EPLd automatically selects a small number of image patches pivots to achieve better computational efficiency. Based on EPLd, MMD (maximum mean discrepancy) distance is used for computing similarities between images. In experiments, the EPLd approach achieves competitive results on several image/scene classification datasets compared with state-of-the-art methods.
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
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