基于特征表示与学习的图像集合分类算法
当前大多数图像集合分类方法对图像集合进行表示时往往做出部分先验假设,然而在许多实际应用中,这些假设可能无法成立,尤其是当集合内部存在大量复杂的数据变化时更是如此。此外,基于这些假设进行模型学习时可能会丢失部分区分性分类信息。针对这一问题,本文提出一种基于特征表示与学习的图像集合分类方法。对每个图像集合,首先将计算它的多阶统计量作为特征表示。对每阶统计量,计算一个内核矩阵来衡量两个图像集合的相似性。然后,通过利用局部多内核指标学习（LMKML）方法来学习一种距离指标,进而将不同阶统计量综合起来。最后,利用最近邻分类器进行分类。基于4种常用图像集合数据库的实验结果验证了本文算法的有效性。...
Saved in:
| Published in | 实验室研究与探索 Vol. 35; no. 2; pp. 128 - 134 |
|---|---|
| Main Author | |
| Format | Journal Article |
| Language | Chinese |
| Published |
宁波职业技术学院,浙江宁波,315800%浙江大学宁波理工学院,浙江宁波,315100
2016
|
| Subjects | |
| Online Access | Get full text |
| ISSN | 1006-7167 |
Cover
| Abstract | 当前大多数图像集合分类方法对图像集合进行表示时往往做出部分先验假设,然而在许多实际应用中,这些假设可能无法成立,尤其是当集合内部存在大量复杂的数据变化时更是如此。此外,基于这些假设进行模型学习时可能会丢失部分区分性分类信息。针对这一问题,本文提出一种基于特征表示与学习的图像集合分类方法。对每个图像集合,首先将计算它的多阶统计量作为特征表示。对每阶统计量,计算一个内核矩阵来衡量两个图像集合的相似性。然后,通过利用局部多内核指标学习（LMKML）方法来学习一种距离指标,进而将不同阶统计量综合起来。最后,利用最近邻分类器进行分类。基于4种常用图像集合数据库的实验结果验证了本文算法的有效性。 |
|---|---|
| AbstractList | 当前大多数图像集合分类方法对图像集合进行表示时往往做出部分先验假设,然而在许多实际应用中,这些假设可能无法成立,尤其是当集合内部存在大量复杂的数据变化时更是如此。此外,基于这些假设进行模型学习时可能会丢失部分区分性分类信息。针对这一问题,本文提出一种基于特征表示与学习的图像集合分类方法。对每个图像集合,首先将计算它的多阶统计量作为特征表示。对每阶统计量,计算一个内核矩阵来衡量两个图像集合的相似性。然后,通过利用局部多内核指标学习（LMKML）方法来学习一种距离指标,进而将不同阶统计量综合起来。最后,利用最近邻分类器进行分类。基于4种常用图像集合数据库的实验结果验证了本文算法的有效性。 TP391; 当前大多数图像集合分类方法对图像集合进行表示时往往做出部分先验假设,然而在许多实际应用中,这些假设可能无法成立,尤其是当集合内部存在大量复杂的数据变化时更是如此.此外,基于这些假设进行模型学习时可能会丢失部分区分性分类信息.针对这一问题,本文提出一种基于特征表示与学习的图像集合分类方法.对每个图像集合,首先将计算它的多阶统计量作为特征表示.对每阶统计量,计算一个内核矩阵来衡量两个图像集合的相似性.然后,通过利用局部多内核指标学习(LMKML)方法来学习一种距离指标,进而将不同阶统计量综合起来.最后,利用最近邻分类器进行分类.基于4种常用图像集合数据库的实验结果验证了本文算法的有效性. |
| Author | 卢滢宇 金錱 |
| AuthorAffiliation | 宁波职业技术学院,浙江宁波315800 浙江大学宁波理工学院,浙江宁波315100 |
| AuthorAffiliation_xml | – name: 宁波职业技术学院,浙江宁波,315800%浙江大学宁波理工学院,浙江宁波,315100 |
| Author_FL | LU Ying-yu JIN Zhen |
| Author_FL_xml | – sequence: 1 fullname: LU Ying-yu – sequence: 2 fullname: JIN Zhen |
| Author_xml | – sequence: 1 fullname: 卢滢宇 金錱 |
| BookMark | eNotjT9Lw0AYh2-oYK39Em4OgTdvkrvcKMV_UHDpHi65XE3RRBNFMopS6lK7iGAHFURcFMTFRuinyRn9Fgbq8nuWh-e3QhpxEocN0jQBqMFMypZJO8siHwA45Yw5TUL1fVEW4-pqpufnP48v1VNRfo7163M5e6juLvV0ri-uf6dDPRnp0bB6_6rebr8_blbJkhIHWdj-Z4v0tjZ7nR2ju7e929noGgE10WDK4QyRo6QCQyWUy2sGqh6fu9L1fZQgpc2Yz7gpuMTQUdRG9EEptMFqkfVF9kzESsR9b5CcpnF96GV5lg_ykwzBpIBgYe2uLdxgP4n7x1FtH6XRoUhzj1KXAjDbsv4AHK5j5A |
| ClassificationCodes | TP391 |
| ContentType | Journal Article |
| Copyright | Copyright © Wanfang Data Co. Ltd. All Rights Reserved. |
| Copyright_xml | – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved. |
| DBID | 2RA 92L CQIGP ~WA 2B. 4A8 92I 93N PSX TCJ |
| DatabaseName | 中文科技期刊数据库 中文科技期刊数据库-CALIS站点 中文科技期刊数据库-7.0平台 中文科技期刊数据库- 镜像站点 Wanfang Data Journals - Hong Kong WANFANG Data Centre Wanfang Data Journals 万方数据期刊 - 香港版 China Online Journals (COJ) China Online Journals (COJ) |
| DatabaseTitleList | |
| DeliveryMethod | fulltext_linktorsrc |
| DocumentTitleAlternate | On Image Set Classification Algorithm Based on Feature Representation and Learning |
| DocumentTitle_FL | On Image Set Classification Algorithm Based on Feature Representation and Learning |
| EndPage | 134 |
| ExternalDocumentID | sysyjyts201602032 668600743 |
| GroupedDBID | 2RA 92L ALMA_UNASSIGNED_HOLDINGS CDYEO CQIGP ~WA 2B. 4A8 92I 93N PSX TCJ |
| ID | FETCH-LOGICAL-c612-7f5972292d6a2efaf89a2ecfa2eb98d8bb2d0dd477b791a9d2e5f6422b0ff2403 |
| ISSN | 1006-7167 |
| IngestDate | Thu May 29 04:11:36 EDT 2025 Wed Feb 14 10:19:35 EST 2024 |
| IsPeerReviewed | false |
| IsScholarly | true |
| Issue | 2 |
| Keywords | 多阶统计量 image set classification feature representation kernel matrix nearest neighbor classifier 图像集合分类 近邻分类器 特征表示 内核矩阵 multiple order statistics |
| Language | Chinese |
| LinkModel | OpenURL |
| MergedId | FETCHMERGED-LOGICAL-c612-7f5972292d6a2efaf89a2ecfa2eb98d8bb2d0dd477b791a9d2e5f6422b0ff2403 |
| Notes | Most existing image set classification methods usually need to make some prior assumptions. However,in many practical applications,these assumptions may not be held,especially when there are large and complex data variations within a set. Moreover,the models learned based on these assumptions may also lose some discriminative information for classification. To solve this problem,this paper proposes an image set classification method based on feature representation and learning. For each image set,we first compute its multiple order statistics as feature representation. For each order statistic,we compute a kernel matrix to measure the pairwise similarity of two image sets.Then,we learn a distance metric by using the localized multi-kernel metric learning method to combine the different order statistics. Lastly,the nearest neighbor classifier is used for classification. Experimental results on four widely used image set datasets are presented to show the efficacy of our proposed approach. LU Ying-yu,JIN Zhen （1 |
| PageCount | 7 |
| ParticipantIDs | wanfang_journals_sysyjyts201602032 chongqing_primary_668600743 |
| PublicationCentury | 2000 |
| PublicationDate | 2016 |
| PublicationDateYYYYMMDD | 2016-01-01 |
| PublicationDate_xml | – year: 2016 text: 2016 |
| PublicationDecade | 2010 |
| PublicationTitle | 实验室研究与探索 |
| PublicationTitleAlternate | Laboratory Research and Exploration |
| PublicationTitle_FL | Research and Exploration in Laboratory |
| PublicationYear | 2016 |
| Publisher | 宁波职业技术学院,浙江宁波,315800%浙江大学宁波理工学院,浙江宁波,315100 |
| Publisher_xml | – name: 宁波职业技术学院,浙江宁波,315800%浙江大学宁波理工学院,浙江宁波,315100 |
| SSID | ssib000969775 ssib006568229 ssib025702337 ssib036434175 ssib000862244 ssib051371591 ssib002264093 |
| Score | 2.044784 |
| Snippet | 当前大多数图像集合分类方法对图像集合进行表示时往往做出部分先验假设,然而在许多实际应用中,这些假设可能无法成立,尤其是当集合内部存在大量复杂的数据变化时更是如此。... TP391; 当前大多数图像集合分类方法对图像集合进行表示时往往做出部分先验假设,然而在许多实际应用中,这些假设可能无法成立,尤其是当集合内部存在大量复杂的数据变化时更... |
| SourceID | wanfang chongqing |
| SourceType | Aggregation Database Publisher |
| StartPage | 128 |
| SubjectTerms | 内核矩阵 图像集合分类 多阶统计量 特征表示 近邻分类器 |
| Title | 基于特征表示与学习的图像集合分类算法 |
| URI | http://lib.cqvip.com/qk/96941X/201602/668600743.html https://d.wanfangdata.com.cn/periodical/sysyjyts201602032 |
| Volume | 35 |
| hasFullText | 1 |
| inHoldings | 1 |
| isFullTextHit | |
| isPrint | |
| journalDatabaseRights | – providerCode: PRVEBS databaseName: EBSCO Academic Search Ultimate issn: 1006-7167 databaseCode: ABDBF dateStart: 20131201 customDbUrl: https://search.ebscohost.com/login.aspx?authtype=ip,shib&custid=s3936755&profile=ehost&defaultdb=asn isFulltext: true dateEnd: 20191231 titleUrlDefault: https://search.ebscohost.com/direct.asp?db=asn omitProxy: true ssIdentifier: ssib025702337 providerName: EBSCOhost |
| link | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwpV3Na9RAFB9qvXgRRcValSLOcSWTj_k4TrJZiqCnFXpbkk3S4mGr7vawvYlSKkL1IoI9qCDiRUG82BX612xc_S98b5Jtp6xC1cvkZWby3pt5Seb3Jpk3hFx3EhPSA4MPFuCgBC5vqMTvNtwiYN00S2AIxqmBW7f58h3_5kqwMnfiqfXX0sYgvdHd_O26kn-xKuSBXXGV7F9Y9oApZAAN9oUULAzpsWxM44CqFg01jX1MZUxjQaWiocKiMAacSGNJNaNaYpH2p5WlqRxQ3aSamxxFtYN1FPDxDecQOQAhPSpbNFaYI7kpcqiUpkiaHEFDRsPQiIipEjTmNPRotbHlFPsacVAaIysNUqI6B7TCCx2qKgL055aSHFPtGik-ENN7xMhvmhKOwpEw_A7HVpQkoUnMEBFoac9yVMsvzR05vZLVmiMviaeopNEEugU10fhrCBAqorpldSB0jsKr3MhwCPAUCYYGmmXuRh4LJO6QHfyhPrRUWPxn1RPGCqYohE4L_lMZ5jjWAIUzQODjCnsEqwK-1E-qaw1HrF54XyEbVk8bH40v3h_2h3eHgz72On6WRjwDqFXMk5M6bIatI86vDQbB-QXnwQLbgK0d620PngLuJjA9x-0SXe8QDHuAhX0LvAbME4CtzQzJtJEY8GRtvbd6H2CcWVXXK5LeqgUA22fI6dpzW9LVY3iWzG2unSO8fD0aj3YmT_bK_Yc_3n6YvBuNv-6UH9-P995MXj0ud_fLR89-7m6Vz7fL7a3J52-TTy-_f3lxnrRbcTtabtRbkTS64AI0RAF-N7TFzXji5kVSSAXHbgFJqmQm09TNnCzzhUiFYonK3DwowLN3U6coMOLlBTLfW-_lF8kSdGJeCPDTPOmDK5IkDA65wLB3AP59b4EsHjS5c6-KONPhXHID9hfItboTOvV7qN-ZMeCl41RaJKeQrmYTL5P5wYON_Arg60F6tTb8L3awlgM |
| linkProvider | EBSCOhost |
| openUrl | ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E7%89%B9%E5%BE%81%E8%A1%A8%E7%A4%BA%E4%B8%8E%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%9B%BE%E5%83%8F%E9%9B%86%E5%90%88%E5%88%86%E7%B1%BB%E7%AE%97%E6%B3%95&rft.jtitle=%E5%AE%9E%E9%AA%8C%E5%AE%A4%E7%A0%94%E7%A9%B6%E4%B8%8E%E6%8E%A2%E7%B4%A2&rft.au=%E5%8D%A2%E6%BB%A2%E5%AE%87&rft.au=%E9%87%91%E9%8C%B1&rft.date=2016&rft.pub=%E5%AE%81%E6%B3%A2%E8%81%8C%E4%B8%9A%E6%8A%80%E6%9C%AF%E5%AD%A6%E9%99%A2%2C%E6%B5%99%E6%B1%9F%E5%AE%81%E6%B3%A2%2C315800%25%E6%B5%99%E6%B1%9F%E5%A4%A7%E5%AD%A6%E5%AE%81%E6%B3%A2%E7%90%86%E5%B7%A5%E5%AD%A6%E9%99%A2%2C%E6%B5%99%E6%B1%9F%E5%AE%81%E6%B3%A2%2C315100&rft.issn=1006-7167&rft.volume=35&rft.issue=2&rft.spage=128&rft.epage=134&rft.externalDocID=sysyjyts201602032 |
| thumbnail_s | http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fimage.cqvip.com%2Fvip1000%2Fqk%2F96941X%2F96941X.jpg http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fsysyjyts%2Fsysyjyts.jpg |