计算机视觉中改进的图像低维表示方法研究

对图像的低维表示进行学习,在图像处理和计算机视觉等多种应用中具有重要作用.当前方法要么需要对图像中的相应点手动标记界标,要么局限于特定对象或形状变形.为此,将图像低维表示问题建模为基于l2范数的组合优化问题,通过采取嵌套和组合策略,考虑了颜色、外观和形态方面的变化,进而提出一种可以同时实现图像颜色、外观和形态的图像低维表示算法.此外,通过将形态和外观的流形约束到低维子空间上,进一步降低了流形学习的采样复杂性.定量评估结果表明,本文方法的性能远优于目前典型的稳健型光流算法和SIFT流算法.此外,本文方法在图像浏览和关节学习等相关任务中也取得了令人满意的定性结果.

一种改进的图像低维表示方法

目的解决当前方法需要对图像中的相应点手动标记界标,且局限于特定对象或形状变形的问题。方法提出一种可以同时实现图像颜色、外观和形态的图像低维表示算法。结果该算法通过将形态和外观的流形约束到低维子空间上,进一步降低了流形学习的采样复杂性。结论文中方法的性能远优于目前典型的稳健型光流算法和SIFT流算法。在图像编辑和关节学习关任务中取得了令人满意的定性结果。

结合改进CNN和双线性模型的CBIR方法

针对现有基于内容的图像检索(Content-Based Image Retrieval,CBIR)方法中图像特征维度较大等问题,提出一种结合改进卷积神经网络(Convolutional Neural Network,CNN)和双线性模型的CBIR方法。采用一种低维度池化方法代替传统CNN中的池化过程,以此降低图像特征映射的维度。基于双线性模型的思想,使用两个特征提取器进行特征提取,并在每个图像位置上对两个特征进行内积,以形成最终的图像描述符。通过计算图像间的曼哈顿距离度量来评估相似性,获得相关图像及其排序。实验结果表明,该方法能够准确检索出相关图像,并具有较低的检索时间和内存消耗。