基于多尺度稀疏表示的场景分类.docVIP

基于多尺度稀疏表示的场景分类 段 菲，章毓晋 (清华大学 电子工程系，北京市 100084) 摘 要: 提出一种基于多尺度稀疏表示的场景分类框架。首先从图像中提取多个尺度的局部特征，然后利用稀疏编码为每 个尺度的特征单独学习相应的过完备字典；在图像表示阶段，为图像各尺度上的局部特征依据与其对应尺度的字典进行编码，并按照空间金字塔表示方法和特征各维最大汇总（max pooling）对各尺度上的特征编码分别汇总，最后将不同尺度上汇总的特征串接，形成对图像最终描述的全局向量。在三个常用标准场景库上的分类结果表明，提出的算法由于利用了不同尺度特征间的互补关系，与采用单尺度特征的方法相比，性能有了显著提升。 关键词: 稀疏表示; 多尺度；场景分类；空间金字塔表示 中图分类号: TP391.4　　　 文献标志码: A 文章编号：（作者可不填） doi:10.3969/j.issn.1001-3695 (作者可不填) Multi-scale sparse representation based scene categorization DUAN Fei, ZHANG Yujin (Department of Electronic Engineering, Tsinghua University, Beijing 100084, China) Abstract: This paper proposes a novel multi-scale sparse representation based framework of scene categorization. Firstly, local features of multiple scales are extracted, then dictionaries of each scale are learned by using sparse coding algorithm; in the stage of image representation, the paper proposes to encode each local feature according to dictionary on the same scale. By using spatial pyramid representation and feature max-pooling, the features on each scale are summarized. In the final step, the proposed algorithm concatenates the pooled features of different scales to form the holistic feature. The experimental results on three popular benchmark datasets show that since the proposed method utilize the complementary relationship of features on different scales, better performance is obtained compared with methods using features on single scale. Key words: sparse representation; multi-scale; scene categorization; spatial pyramid representation 近年来，词袋模型[1]（Bag-of-Word, BoW）在场景分类中获得了广泛应用。该模型由局部特征提取、字典学习、特征编码（或称向量量化）、特征汇总四个环节构成，首先从图像中抽取若干局部特征，然后将这些局部特征进行聚类（通常为K-Means）而形成视觉字典；在表示图像时，则依据最近邻匹配准则建立图像局部特征到视觉词汇表中词条的映射，也称向量量化（vector quantization, VQ）；最后统计出整幅图像中所有视觉词汇的出现频率直方图（通常称之为特征平均汇总（average pooling）），作为最终的图像表示。 可以看出，传统的词袋模型并未对图像中局部特征之间的位置关系予以考虑，这显然会制约其描述能力。针对该问题，Lazebnik等[2]提出空间金字塔表示模型（SPM，spatial pyramid matching），在特征汇总阶段对传统词袋模型进行了扩展，极大地提升了词袋模型的性能。 除缺乏对空间信息的刻画外，在传统词袋模型中，其