×
丛，杨;刘，季;袁俊松;罗杰波

低风险在线度量学习。 （英语） Zbl 1323.68430号

Fu，Yun（编辑），视觉分析的低秩和稀疏建模。查姆：施普林格（ISBN 978-3-319-1199-1/hbk；978-3-316-12000-3/电子书）。203-233 (2014).
摘要：图像分类是计算机视觉领域的一个关键问题。大多数传统的视觉识别系统通常使用预先提供的所有训练数据以离线批处理模式训练图像分类器。不幸的是，在许多实际应用程序中，通常在初始化阶段只有少量的训练样本可用，而在联机过程中会依次出现更多的训练样本。由于图像数据的特性可能会随着时间的推移而急剧变化，因此分类器逐渐适应新数据是很重要的。在本章中，我们提出了一种在线度量学习模型，通过自适应相似性度量来解决在线图像分类/场景识别问题。给定大量标记样本，然后连续输入未发现的测试样本，学习相似度度量以最大化不同类别样本之间的距离余量。通过考虑低秩约束，我们的在线度量学习模型不仅提供了与最新方法相比的竞争性能，而且保证了收敛性。还应用双线性图来建模成对相似性，并根据基于图的标记传播对未发现的样本进行标记，同时，模型还可以使用标记更自信的新样本进行自我更新。该方法具有在线学习能力，能够很好地处理大规模流媒体视频数据，并具有增量自更新能力。我们还证明了低阶属性广泛存在于自然数据中。在实验中，我们将我们的模型用于在线场景分类，并在各种基准数据集上进行了实验，与最新方法的比较表明了我们算法的有效性和效率。
关于整个系列，请参见[Zbl 1305.68023号].

MSC公司：

68T05型 人工智能中的学习和自适应系统
第68页第45页 机器视觉和场景理解
68单位10 图像处理的计算方法

关键词：

低质;在线学习;度量学习;图像分类

软件：

SIFT公司;LMNN公司;加州理工大学-256
PDF格式BibTeX公司 XML格式引用
\textit{Y.Cong}等人，in：用于视觉分析的低秩和稀疏建模。查姆：斯普林格。203-233（2014年；Zbl 1323.68430）
全文： 内政部

参考文献：

[1] F.Perronnin，Z.Akata，Z.Harchaoui，C.Schmid，《图像分类大规模学习的良好实践》，收录于（CVPR IEEE），第3482-3489页（2012）
[2] S.McCann，D.G.Lowe，图像分类的局部朴素贝叶斯最近邻，见\（CVPR IEEE\），第3650-3656页（2012）
[3] B.Fernando，E.Fromont，T.Tuytelaars，《为图像分类挖掘中级特征》。国际期刊计算。《愿景》，第1-18页（2014年）
[4] J.Sánchez，F.Perronnin，T.Mensink，J.Verbeek，fisher矢量图像分类：理论和实践。国际期刊计算。愿景105（3），222-245（2013）·Zbl 1286.68447号 ·数字对象标识代码：10.1007/s11263-013-0636-x
[5] O.Russakovsky，Y.Lin，K.Yu，L.Fei-Fei，图像分类的以对象为中心的空间池，收录于《计算机视觉-ECCV》。（施普林格），1-15（2012）
[6] K.Simonyan、A.Vedaldi、A.Zisserman，用于大规模图像分类的Deep fisher网络，收录于《神经信息处理系统的进展》，第163-171页（2013）
[7] H.Kekre，S.Thepade，R.K.K.Das，S.Ghosh，利用块截断编码和各种颜色空间进行图像分类。国际期刊计算。申请。，第44卷（2012）
[8] H.Grabner，H.Bischof，在线增强和视力，见（CVPR\），第1卷，第260-267页（2006年）
[9] G.Chechik，V.Sharma，U.Shalit，S.Bengio，《大规模图像相似性学习的在线算法》。NIPS 21，306-314（2009）
[10] F.Wang，C.Yuan，X.Xu，P.van Beek，工业机器视觉应用的监督和半监督在线辅助树，载《第五届传感器数据知识发现国际研讨会论文集》，第43-51页（2011）
[11] G.Cauwenberghs，T.Poggio，增量和减量支持向量机学习，in（NIPS），第409-415页（2001）
[12] B.Liu、S.Mahadevan、J.Liu，《正规化非政策td-learning，in（NIPS）》（2012）
[13] Y.Cong，J.Yuan，Y.Tang，通过在线度量学习进行对象跟踪，in（ICIP），pp.417-420（2012）
[14] Y.Cong，J.Liu，J.Yuan，J.Luo，场景分类低秩约束下的自我监督在线度量学习。IEEE传输。图像处理。22(8), 3179-3191 (2013) ·doi:10.10109/TIP.2013.2260168
[15] K.van de Sande，T.Gevers，C.Snoek，评估物体和场景识别的颜色描述符。IEEE传输。模式分析。机器。智力。32(9), 1582-1596 (2010) ·doi:10.1109/TPAMI.2009.154
[16] M.Szummer，R.Picard，室内外图像分类，in（IEEE基于内容的图像和视频数据库访问国际研讨会）（1998年），第42-51页
[17] D.Lowe，不同尺度关键点的独特图像特征。国际期刊计算。愿景60（2），91-110（2004）·doi:10.1023/B:VISI.0000029664.99615.94
[18] A.E.Abdel-Hakim，A.A.Farag，Csift：具有颜色不变特征的sift描述符，（CVPR），第2006卷（IEEE，2006），1978-1983页
[19] A.Bosch，A.Zisserman，X.Muoz，使用混合生成/区分方法进行场景分类。模式分析。机器。智能，IEEE Trans。30(4), 712-727 (2008) ·doi:10.1109/TPAMI.2007.70716
[20] M.Brown，S.Susstrunk，场景类别识别的多光谱筛选，in（CVPR）（IEEE，2011），第177-184页（2011）
[21] J.Van De Weijer，T.Gevers，A.D.Bagdanov，增强图像特征检测中的颜色显著性。模式分析。机器。智能，IEEE Trans。28(1), 150-156 (2006) ·doi:10.1109/TPAMI.2006.3
[22] S.Lazebnik，C.Schmid，J.Ponce，超越特征袋：用于识别自然场景类别的空间金字塔匹配，见\（CVPR\），第2卷（2006）
[23] J.V.Gemert、J.Geusebroek、C.Veenman、A.Smeulders，《场景分类的内核代码本》，收录于（ECCV），第696-709页（2008）
[24] A.Quattoni，A.Torralba，《识别室内场景》，收录于（CVPR）（2009）
[25] J.Wu、H.Christensen和J.Rehg，《视觉位置分类：问题、数据集和算法》，收录于IROS（2009）
[26] J.Wu，J.Rehg，CENTRIST：场景分类的视觉描述符。IEEE传输。模式分析。机器。智力。33(8), 1489-1501 (2011) ·doi:10.1109/TPAMI.2010.224
[27] Y.Xiao，J.Wu，J.Yuan，mcentrist:场景分类的多通道特征生成机制（2014）·Zbl 1374.94411号
[28] Y.Cong，J.Yuan，J.Luo，通过稀疏字典选择实现消费者视频的可扩展摘要。多媒体，IEEE Trans。14(1), 66-75 (2012) ·doi:10.1109/TMM.2011.2166951
[29] 李磊，李飞飞，什么，在哪里，谁？按场景和对象识别对事件进行分类，见\（ICCV\），第2卷（4），8（2007）
[30] D.Walther，E.Caddigan，L.Fei-Fei，D.Beck，人脑活动分布模式中显示的自然场景类别。《神经科学杂志》。29(34), 10573 (2009) ·doi:10.1523/JNEUROSCI.0559-09.2009
[31] L.Li，R.Socher，L.Fei-Fei，《走向整体场景理解：自动框架中的分类、注释和分割》，载于（CVPR），第2036-2043页（2009）
[32] J.Liu，M.Shah，使用联合聚类的场景建模，in（ICCV）（2007）
[33] P.Quelhas、F.Monay、J.Odobez、D.Gatica-Perez、T.Tuytelaars，《场景中的千言万语》。IEEE传输。模式分析。机器。智力。29(9), 1575-1589 (2007) ·doi:10.1109/TPAMI.2007.1155
[34] A.Bosch，A.Zisserman，M.Pujol，使用混合生成/判别方法的场景分类，IEEE模式分析和机器智能交易，第30卷（2008）
[35] J.Kivinen，E.Sudderth，M.Jordan，《使用Dirichlet过程学习自然场景的多尺度表示》，收录于（ICCV）（2007）
[36] J.Vogel，B.Schiele，基于内容的图像检索的自然场景语义建模。国际期刊计算。愿景72（2），133-157（2007）·doi:10.1007/s11263-006-8614-1
[37] P.Utgoff，N.Berkman，J.Clouse，基于有效树重组的决策树归纳。马赫。学习29（1），5-44（1997）·Zbl 0886.68105号 ·doi:10.1023/A:1007413323501
[38] S.Avidan，《信号群跟踪》，收录于（CVPR），第2卷，第494-501页（2005）
[39] X.Liu，T.Yu，在线增强的梯度特征选择，in（ICCV），第1-8页（2007）
[40] N.Oza，S.Russell，《在线打包和增强》，收录于（Artif.Intell.Stat）（2001年）
[41] E.Lughofer，在线进化图像分类器及其在表面检测中的应用。图像可视性。计算。28(7), 1065-1079 (2010) ·doi:10.1016/j.imavis.2009.07.002
[42] F.Gayubo，J.Gonzalez，E.D.L.Fuente，F.Miguel，J.Peran，检测金属板材成形过程中开裂缺陷的在线机器视觉系统，in（ICPR），第1卷，第723-726页（2006）
[43] O.Camoglu，T.Yu，L.Bertelli，D.Vu，V.Muralidharan，S.Gokturk，在线购物场景中建模用户偏好的高效时尚驱动学习方法，收录于《IEEE计算机视觉和模式识别研讨会会议》（CVPRW），第28-34页（2010）
[44] K.Weinberger，L.Saul，大边缘最近邻分类的距离度量学习。J.马赫。学习。207-244号决议（2009年）·Zbl 1235.68204号
[45] P.Jain，B.Kulis，I.Dhillon，K.Grauman，在线度量学习和快速相似性搜索，收录于《NIPS》，第761-768页（2008）
[46] A.Globerson，S.Roweis。，通过分解类进行的度量学习，in（NIPS）（2006）
[47] K.Crammer、O.Dekel、J.Keshet、S.Shalev-Shwartz、Y.Singer，《在线被动攻击算法》。J.马赫。学习。第7585号决议（2006年）·Zbl 1222.68177号
[48] G.Chechik，V.Sharma，U.Shalit，S.Bengio，通过排名大规模在线学习图像相似性。J.马赫。学习。第11号决议，1109-1135（2010）·Zbl 1242.68212号
[49] H.Cheng，Z.Liu，J.Yang，标签传播的稀疏诱导相似性度量，在\（ICCV\）（2009）
[50] K.Weinberger，J.Blitzer，L.Saul，《大幅度最近邻分类的距离度量学习》，收录于《NIPS》（2006）
[51] ”
[52] G.Griffin、A.Holub、P.Perona、Caltech-256对象类别数据集（2007年）
[53] N.Jacobson，Y.Freund，T.Nguyen，《遮挡边界检测的在线学习方法》。图像处理。IEEE传输。99, 1-1 (2010) ·Zbl 1372.94345号
[54] Y.Wu，J.Cheng，J.Wang，H.Lu，J.王，H.Ling，E.Blasch，L.Bai，带有效模型更新的实时概率协方差跟踪。图像处理。IEEE传输。21(5), 2824-2837 (2012) ·Zbl 1381.62215号 ·doi:10.10109/TIP.2011.2182521
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。