基于组合模型的 Fisher 向量编码用于图像分类
计算机视觉与模式识别
2017-01-10 v3
摘要
从局部特征生成模型的梯度向量衍生出的 Fisher 向量编码 (FVC) 已被认为是图像分类的有效编码方法。大多数（如果不是全部）FVC 实现采用高斯混合模型 (GMM) 来描述局部特征的产生过程。然而，GMM 的代表能力可能有限，因为它本质上假设局部特征可以由固定数量的特征原型表征，并且在 FVC 中原型数量通常很小。为处理此限制，本文打破局部特征来自少数高斯分布之一的惯例。相反，我们采用组合机制，假设局部特征来自一个高斯分布，其均值向量由多个关键组件线性组合构成，且组合权重是潜在随机变量。以此方式，我们可以大大增强 FVC 生成模型的代表能力。为实现我们的想法，我们设计了两个具有这种组合机制的特定生成模型。
引用
@article{arxiv.1601.04143,
title = {Compositional Model based Fisher Vector Coding for Image Classification},
author = {Lingqiao Liu and Peng Wang and Chunhua Shen and Lei Wang and Anton van den Hengel and Chao Wang and Heng Tao Shen},
journal= {arXiv preprint arXiv:1601.04143},
year = {2017}
}
备注
Fixed typos. 16 pages. Appearing in IEEE T. Pattern Analysis and Machine Intelligence (TPAMI)