基于boosting算法的图像定位.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * AdaBoost算法 弱分类器2 * AdaBoost算法 权重增加 * AdaBoost算法 弱分类器 3 * AdaBoost算法 最终分类器是这些弱分类器的加权和 * AdaBoost算法 训练样本上的错误率上界（经验误差）： ， 为第 t个弱分类器的错误率 经验误差呈指数式减小 使用类牛顿法最小化损失函数 * 四种图片全局特征的对比 城市的图片判定问题 K近邻算法，决策树C4.5算法，支持向量机算法以及Ada-Boost基于四种特征在图片城市判定问题上的结果 各种Boosting算法在图像城市判定问题上的结果 图片的城市分类问题 K近邻算法，决策树C4.5算法，支持向量机算法以及Ada-Boost基于四种特征在图片城市判定问题上的结果 实验结果对比与分析 * 四种全局特征的对比 特征种类 在一幅256*256像素图像上的特征提取时间(ms) 特征长度/有效特征长度(维) 微图像特征 12.5 3072/3072 颜色直方图特征 15.6 784/50 直线特征 73.4 28/24 gist特征 4350 960/960 在单个CPU上对1000万张图片提取gist特征所需要的时间为(4.35*1000 0000)/(3600*24*365)=1.3年 一个特征的有效长度，在一定程度上决定了： 使用该特征对分类器进行训练的训练时间 对测试图片进行预测的预测时间 * 测试图片集： 2688张大小为256*256像素的图片，被分为8个不同的类别：海岸、森林、山峰、乡野、市区、街道、擎天大楼和高速公路。 其中，前四类都是自然景观图图片，后四类都城市图片。 从八个类别中每个类别选择40张图片作为测试集合，剩下的2388张图片为训练集合。 城市的图片判定问题（两类问题） * 自然图片。从上到下分别为海洋、森林、山峦和乡野 城市图片。从上到下市区、街道、擎天大楼和高速公路 城市图片判定问题的测试图片集合 * 各种分类算法解决城市图片判定问题的实验结果对比 KNN算法，决策树C4.5，支持向量机分别使用 四种图像特征进行图像城市识别时，在训练样本上的正确率。 * 使用AdaBoost算法提升后的结果 KNN算法，决策树C4.5，支持向量机，和AdaBoost分别使用 四种图像特征进行图像城市识别时，在训练样本上的正确率。 * 各类Boosting算法解决城市图片判定的实验结果对比 KNN算法，决策树C4.5，支持向量机，和AdaBoost分别使用 四种图像特征进行图像城市识别时，在训练样本上的正确率。 * 测试图片集： 选出人口密度较多或者较为著名的25个城市，每个城市随机选择100张图片。 筛选掉了人脸或者花草动物的特写图片以及室内图片。 从每个城市中随机选择出80张图片加入到训练集合，剩下的500张图片即为测试图片 图片城市分类问题（多类问题） * 各类分类算法解决图片城市分类问题的实验结果对比 KNN算法，决策树C4.5，支持向量机分别使用 四种图像特征进行图片城市分类时，在训练样本上的正确率。 * 使用AdaBoost算法提升后的结果 KNN算法，决策树C4.5，支持向量机，和AdaBoost分别使用 四种图像特征进行图片城市分类时，在训练样本上的正确率。 * 特征选择策略 效率优先 在城市图片的判定问题上使用直线特征 在图片的城市分类问题上使用颜色直方图特征 正确率优先： 在两个问题上都使用gist特征，并且可以合并为一个问题 特征种类 特征提取时间(ms) 特征长度/有效特征长度 微图像特征 12.5 3072/3072 颜色直方图 15.6 50 直线特征 73.4 24 gist特征 4350 960/960 城市图片判定正确率 图片城市分类正确率 68% 22% 73% 44% 91% 16% 94% 48% * 下一步工作 最终输出结果不是一个城市，而是所有城市的概率 输出的概率最大的前N个城市 取前m座城市，使得这m座城市的概率之和大于阈值T 与局部特征的融合 多个特征的融合 使用Boosting算法对支持向量机的提升研究 * 谢谢！ * * * * * * * * * * * * * * * 基于boosting的图像定位 ——周琦 * 问题描述 主要贡献 项目框架 特征提取算法介绍 分类算法介绍 实验结果 目录 * 问题描述 确定一幅地理信息未知的照片是在哪里拍摄的 图像定位问题 * 主要思想： 建立一个巨型图像数据库，让待定位的图像与数据库中的图像进行匹配。 计算机解决图像定位 * 该图像定位系统能否够覆盖全球？