提升k-NN用于自然场景分类
计算机视觉与模式识别
2010-01-11 v1
摘要
k近邻(k-NN)分类规则已在无数计算机视觉应用中取得巨大成功。例如，图像分类通常依赖于描述符空间中最近原型之间的均匀投票。尽管具有良好性质，经典的k-NN规则在处理高维稀疏原型数据集时存在高方差问题。已有一些技术通过变形最近邻关系或修改输入空间来改进k-NN分类。本文提出一种新的提升算法UNN(Universal Nearest Neighbors)，该算法诱导出杠杆化的k-NN，从而推广了经典的k-NN规则。我们将投票规则重新定义为一个强分类器，该分类器线性组合来自k个最近原型的预测。UNN学习弱分类器以最小化替代风险。UNN的一个主要特点是能够学习哪些原型对给定类别最相关，从而实现有效的数据缩减。在Ripley的合成二类数据集上的实验结果表明，这种过滤策略能够拒绝“噪声”原型。我们在包含八类自然场景的数据库上进行了图像分类实验。结果表明，我们的方法显著优于经典的k-NN分类，同时通过数据过滤实现了计算成本的大幅降低。
引用
@article{arxiv.1001.1221,
title = {Boosting k-NN for categorization of natural scenes},
author = {Paolo Piro and Richard Nock and Frank Nielsen and Michel Barlaud},
journal= {arXiv preprint arXiv:1001.1221},
year = {2010}
}
备注
under revision for IJCV