基于稀疏 Fisher 向量的高效图像分类
计算机视觉与模式识别
2014-10-16 v1
摘要
在物体识别中，Fisher 向量 (FV) 表示是最先进的图像表示方法之一，但其代价是密集的高维特征和增加的计算时间。简化 FV 具有吸引力，因此我们提出了稀疏 Fisher 向量 (SFV)。通过引入局部性策略，我们可以加速图像分类中的 Fisher 编码步骤，该步骤由局部描述符集合实现。结合池化步骤，我们探讨了编码步骤与池化步骤之间的关系，从而为 SFV 提供理论解释。在基准数据集上的实验表明，与 FV 相比，SFV 在保持分类性能的同时实现了数倍的数量级加速。此外，我们展示了 SFV 如何保持相似局部特征表示的一致性。
引用
@article{arxiv.1410.3905,
title = {Efficient Image Categorization with Sparse Fisher Vector},
author = {Xiankai Lu and Zheng Fang and Tao Xu and Haiting Zhang and Hongya Tuo},
journal= {arXiv preprint arXiv:1410.3905},
year = {2014}
}
备注
5pages,4 figures