资料下载
×
一种加权最大相关最小相似视觉词典优化
消耗积分:0 |
格式:rar |
大小:0.77 MB |
2017-11-29
分享资料个
针对视觉词袋（BOV）模型中过大的视觉词典会导致图像分类时间代价过大的问题，提出一种加权最大相关最小相似（ W-MR-MS）视觉词典优化准则。首先，提取图像的尺度不变特征转换（SIFT）特征，并用K-Means算法对特征聚类生成原始视觉词典；然后，分别计算视觉单词与图像类别间的相关性，以及各视觉单词间的语义相似性，引入一个加权系数权衡两者对图像分类的重要程度；最后，基于权衡结果，删除视觉词典中与图像类别相关性弱、与视觉单词间语义相似性大的视觉单词，从而达到优化视觉词典的目的。实验结果表明，在视觉词典规模相同的情况下，所提方法的图像分类精度比传统基于K-Means算法的图像分类精度提高了5.300-/0；当图像分类精度相同的情况下，所提方法的时间代价比传统K-Means算法下的时间代价降低了32. 18%，因此，所提方法具有较高的分类效率，适用于图像分类。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
