【摘要】：物體檢索與定位,是指給定查詢目標在某種模態(tài)下的信息,在大規(guī)模圖像視頻數(shù)據(jù)集中定位該目標的技術。物體檢索與定位具有廣泛且重要的應用價值,是計算機視覺技術最核心的課題之一。然而,由于光照、視角、遮擋等外部因素和物體本身的形變、類別多樣性等內部因素的共同影響,圖像在不同層次上存在復雜的表象變化。除此之外,示例、圖像和標簽之間的層次關聯(lián)繁雜多樣。這些都給物體檢索與定位帶來了很大的困難。本文從實際應用的角度出發(fā),針對示例檢索、標簽檢索和物體定位三個相關問題展開研究。以視覺詞袋模型和深度卷積網絡模型為基礎,從模型表示、模型學習和關聯(lián)匹配幾個方面進行擴展和完善。具體的研究工作包括:1.針對基于視覺詞組的示例檢索模型進行了研究。首先,優(yōu)化了視覺詞組的定義方式,提高了視覺詞組的區(qū)分性。其次,分析了一類容易被忽視的現(xiàn)象,即視覺詞組的突爆匹配。接著,基于概率模型,提出了一種新穎的貝葉斯池化模型用于消除突爆匹配,從而優(yōu)化了圖像之間的相似性度量,提高了示例檢索的準確性。2.針對基于深度卷積網絡的示例檢索模型進行了研究。針對示例檢索的查詢敏感的空間位置關聯(lián)性問題,提出了一種空間位置對齊的模型框架。更進一步,提出了一種基于排序的深度卷積網絡,用于建模物體的類內和類間差異性。為了訓練這個網絡,設計了一種半監(jiān)督的訓練樣本收集策略。該策略不需要任何對查詢物體的先驗知識,并且極大地減少了人工收集訓練樣本所需的成本。實驗結果表明這一方法顯著地提高了深度模型下示例檢索的準確性。3.針對前背景的模糊性,從特征學習的角度,提出了一種多示例在線學習模型解決弱監(jiān)督條件下的圖像標注和物體定位問題。首先,在現(xiàn)有的多示例學習模型的基礎上,改進了訓練樣本的選擇和更新策略。改進后的策略能夠收集準確多樣的正樣本以及有區(qū)分性的負樣本,從而提高前背景的區(qū)分性。其次,設計了一個端到端的模型同時進行訓練樣本的選擇和物體檢測器的訓練。最后,通過對示例標注和圖像標注進行關聯(lián),從而通過一個模型聯(lián)合學習圖像標注和物體檢測算法。實驗結果表明,這一模型有效地提高了圖像標注和物體定位的性能。4.從特征表示的角度對標簽檢索和物體定位問題進行了研究。具體地,本文提出了一種基于顯著性的深度特征模型,改善基于矩形框的物體特征表示。顯著性模型使得矩形框內背景區(qū)域的特征響應被抑制,而前景中重要的視覺區(qū)域的特征激活得到增強。這樣的特征表示模型使得前景區(qū)域和背景區(qū)域的類內差異變小,類間差異變大,從而減少了前背景的模糊性。這一顯著性特征模型可以與當前最好的弱監(jiān)督物體檢測模型融合,從而進行端到端的聯(lián)合訓練。這一方法在多個數(shù)據(jù)集上驗證了其可靠性。
【學位授予單位】：北京郵電大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 張學軍;郭建;;圖像紋理分析的方法與應用[J];黑龍江科技信息;2009年16期

2 孟勇,洪丹輝,毛丹;測度熵在圖像紋理分析中的應用[J];計算機應用與軟件;2000年08期

3 吳濤;秦昆;;圖像紋理特征數(shù)據(jù)挖掘的理論與方法探討[J];計算機時代;2006年08期

4 方玲玲;王相海;;圖像挖掘研究[J];計算機科學;2009年08期

5 高振宇;楊曉梅;龔劍明;金海;;圖像復雜度描述方法研究[J];中國圖象圖形學報;2010年01期

6 劉勇,施萬昌,徐玉蘭;圖像差異的分析與識別[J];復旦學報(自然科學版);2000年05期

7 羅l，

本文編號：2546220