结合图像/补丁级学习的增强随机森林用于图像理解
计算机视觉与模式识别
2014-10-15 v1 机器学习
摘要
图像理解因其广泛的现实世界应用而成为计算机视觉中的一个重要研究领域。对于使用词袋模型表示的图像理解框架，视觉码本是必不可少的部分。随机森林（RF）作为一种树结构判别码本，一直是一个流行的选择。然而，如果局部补丁标签分配不当，RF 的性能可能会下降。在本文中，我们通过一种新颖的方式更新 RF 码本学习，引入基于反馈方案从 pLSA 模型估计的软类标签，从而构建更具判别力的码本来解决这一问题。该反馈方案分别在图像级和补丁级执行，这与仅关注图像级或补丁级的最先进 RF 码本学习方法形成对比。在 15-Scene 和 C-Pascal 数据集上的实验表明了所提出方法在图像理解任务中的有效性。
引用
@article{arxiv.1410.3752,
title = {Enhanced Random Forest with Image/Patch-Level Learning for Image Understanding},
author = {Wai Lam Hoo and Tae-Kyun Kim and Yuru Pei and Chee Seng Chan},
journal= {arXiv preprint arXiv:1410.3752},
year = {2014}
}
备注
Accepted in ICPR 2014 (Oral)