基于典型相关分析的多视角图像识别算法研究

• 作 者: 杨兴浩
• 出 处: 中国石油大学(华东)
• 发表日期: 2004年期
• 关键词: 多视角学习 深度学习 流形学习 典型相关分析 Hessian正则化 张量分析

随着便携式数字图片采集和存储设备的发展,海量的数字图片出现在我们的日常生活中。这些图片一方面使得我们的生活更加智能,另一方面也给机器学习和图像识别领域带来新的挑战。实际应用中通常面临以下两个问题:(1)没有已知标签的图像样本用于训练分类模型;(2)大量的多视角图片不能得到有效的利用。多视角学习能够利用多视角图片中的互补信息,更加全面的学习到目标对象的本质特征,进而提高分类性能。典型相关分析算法(CCA)作为一种无监督的多视角学习算法,可以很好的解决上述问题。目前,CCA及其改进算法已被广泛地应用于数据挖掘,模式识别等领域。在深入研究CCA算法的基础上,本文的主要贡献如下:1.提出了Hessian正则化的多重集典型相关分析算法(HesMCC)。相比于Laplacian正则化,Hessian正则化方法能够更好的保持数据流形的局部几何结构。本文在手写数字数据库USPS,人脸数据库Yale-B、ChokePoint以及物体识别数据库ETH-80中进行多视角图像分类实验。实验结果证明HesMCC算法优于其他相关算法,包括:TCCA,KMUDA,MCCA和LapMCC。2.提出了深度的典型相关分析网络(CCANet)。在CCANet中,CCA算法用于计算两个视角的滤波器组,使得提取的特征中既包含深度的多层特征,又包含多视角特征。相比于单视角的主成分分析网络(PCANet),CCANet应用于物体识别,人脸识别以及手写数字识别中,获得了更高的识别率。3.提出了张量典型相关分析网络(TCCANet)。在TCCANet中,张量典型相关分析(TCCA)算法用于计算任意多个视角的滤波器组,打破了CCANet只能处理两个视角数据的限制。实验结果说明TCCANet在多视角遥感场景识别中胜过之前的PCANet,CCANet,MS-CCANet以及MCCANet。