为了改善低层特征对图像内容描述不够精确而导致现勘图像分类准确率低的问题,提出一种利用深度学习特征的改进局部约束线性编码(local-constrained linear coding,LLC)算法。采用滑动窗口法提取图像密集卷积神经网络(convolutional neur...为了改善低层特征对图像内容描述不够精确而导致现勘图像分类准确率低的问题,提出一种利用深度学习特征的改进局部约束线性编码(local-constrained linear coding,LLC)算法。采用滑动窗口法提取图像密集卷积神经网络(convolutional neural networks,CNN)特征;利用近似LLC算法对提取的密集CNN特征进行快速编码和最大池化,并采用多尺度空间金字塔匹配产生包含空间位置信息的稀疏编码特征。最后,利用支持向量机对现勘图像进行分类从而得到高效的图像特征。对比实验结果表明,该算法的分类准确率较高。展开更多
静态图像中人体行为分类的一般方法是先手动标定出行为对象,再单独对行为对象进行特征提取和分析,不仅费时费力还丢失了场景信息。针对此问题提出了结合场景特征与行为对象特征的图像表示方法,充分利用图像的所有信息。此外为了减小量...静态图像中人体行为分类的一般方法是先手动标定出行为对象,再单独对行为对象进行特征提取和分析,不仅费时费力还丢失了场景信息。针对此问题提出了结合场景特征与行为对象特征的图像表示方法,充分利用图像的所有信息。此外为了减小量化误差,在特征编码阶段,采用局部约束线性编码(Locality-constrained Linear Coding,LLC)算法,并将其应用在空间金字塔模型的向量量化中。该算法与传统的矢量量化算法和稀疏编码算法相比,能够降低量化误差。最后在Stanford 40 Action数据集上对文中方法进行实验和验证,结果表明,结合场景特征与行为对象特征并使用LLC编码算法能够获得更好的分类效果。展开更多
文摘为了改善低层特征对图像内容描述不够精确而导致现勘图像分类准确率低的问题,提出一种利用深度学习特征的改进局部约束线性编码(local-constrained linear coding,LLC)算法。采用滑动窗口法提取图像密集卷积神经网络(convolutional neural networks,CNN)特征;利用近似LLC算法对提取的密集CNN特征进行快速编码和最大池化,并采用多尺度空间金字塔匹配产生包含空间位置信息的稀疏编码特征。最后,利用支持向量机对现勘图像进行分类从而得到高效的图像特征。对比实验结果表明,该算法的分类准确率较高。
文摘静态图像中人体行为分类的一般方法是先手动标定出行为对象,再单独对行为对象进行特征提取和分析,不仅费时费力还丢失了场景信息。针对此问题提出了结合场景特征与行为对象特征的图像表示方法,充分利用图像的所有信息。此外为了减小量化误差,在特征编码阶段,采用局部约束线性编码(Locality-constrained Linear Coding,LLC)算法,并将其应用在空间金字塔模型的向量量化中。该算法与传统的矢量量化算法和稀疏编码算法相比,能够降低量化误差。最后在Stanford 40 Action数据集上对文中方法进行实验和验证,结果表明,结合场景特征与行为对象特征并使用LLC编码算法能够获得更好的分类效果。
