一种用于野外目标识别的自适应描述子设计

如今的数字图像在色调、对比度、暗角等方面具有多种多样的外观风格。这些“图片风格”直接与场景辐射度、相机图像流水线以及后处理功能相关。由于这些成因的复杂性和非线性，流行的基于梯度的图像描述子无法对不同图片风格保持不变性，这将降低目标识别的性能。鉴于在线共享或由个人用户创建的图像是使用各种设备拍摄并可能经过各种后处理功能处理的，因此寻找一个鲁棒的目标识别系统既有用又具有挑战性。在本文中，我们首次研究了图片风格对目标识别的影响，并提出了一种基于梯度描述子核视图和多核学习的自适应方法，无需估计或指定训练和测试中使用的图像风格。我们在域适应数据集和牛津花卉数据集上进行了实验。实验还包括通过对图像应用流行照片效果生成的花卉数据集的几个变体。结果表明，我们提出的方法在所有情况下都优于标准描述子。