基于判别相关分析与多核学习的图像二值有趣性统一预测框架
计算机视觉与模式识别
2019-10-15 v1
摘要
在现代基于内容的图像检索系统中，构建计算有效的模型来预测图像的有趣性日益受到关注，因为图像有趣性的度量可改善以人为中心的搜索满意度及不同应用中的用户体验。本文提出一种基于判别相关分析（DCA）和多核学习（MKL）技术的统一框架，用于预测图像的二值有趣性。更具体地，一方面，为减少描述图像有趣性线索时的特征冗余，采用 DCA 或多集判别相关分析（MDCA）技术，通过考虑所涉及样本间的类结构，融合同类线索的多个特征集，以描述不寻常性、美学及一般偏好这三种经典有趣性线索，得到三组紧凑且具有代表性的特征；另一方面，为充分利用描述有趣性线索的三组高层特征的异质性，采用 SimpleMKL 方法来增强所建模型在二值有趣性分类任务中的泛化能力。在公开发布的有趣性预测数据集上的实验结果证明了所提框架在图像有趣性二值预测中的合理性与有效性，我们针对不同的有趣性特征组合、不同的有趣性线索以及三种有趣性线索的不同特征类型进行了多组对比研究。
引用
@article{arxiv.1910.05996,
title = {A unified framework of predicting binary interestingness of images based on discriminant correlation analysis and multiple kernel learning},
author = {Qiang Sun and Liting Wang and Maohui Li and Longtao Zhang and Yuxiang Yang},
journal= {arXiv preprint arXiv:1910.05996},
year = {2019}
}
备注
30 pages, 9 figures, 6 tables