统计与空间稀疏性的调和用于鲁棒图像及图像集分类
计算机视觉与模式识别
2021-06-02 v1
摘要
近期的图像分类算法通过从大规模数据集学习深度特征，相比经典基于特征的方法取得了显著更好的结果。然而，实际应用中仍存在各种图像分类挑战，例如对含噪图像或图像集查询进行分类，以及在有限规模数据集上训练深度图像分类模型。基于模型的方法而非采用通用深度特征，可更有效地利用数据，用于鲁棒图像及图像集分类任务，因为其利用多种图像先验对集间与集内数据变化建模，同时防止过拟合。本工作中，我们提出一种新颖的联合统计与空间稀疏表示，称为\textit{J3S}，通过将图像的局部块结构与全局高斯分布映射到黎曼流形，对图像或图像集数据建模以进行分类。据我们所知，迄今尚无工作通过联合稀疏表示同时利用全局统计与局部块结构。我们提出基于J3S模型求解联合稀疏编码问题，利用联合稀疏性耦合局部与全局图像表示。学习到的J3S模型用于鲁棒图像及图像集分类。实验表明，所提出的基于J3S的图像分类方案在FMD、UIUC、ETH-80和YTC数据库上优于流行或最先进的对比方法。
引用
@article{arxiv.2106.00256,
title = {Reconciliation of Statistical and Spatial Sparsity For Robust Image and Image-Set Classification},
author = {Hao Cheng and Kim-Hui Yap and Bihan Wen},
journal= {arXiv preprint arXiv:2106.00256},
year = {2021}
}
备注
Submitted to IEEE Transactions on Multimedia