基于上下文信息和核熵成分分析的目标分类算法  

Object Classification Using Context Cue and Kernel Entropy Component Analysis

作　　者：潘泓[1,2] 朱亚平[3] 夏思宇[1,2] 金立左[1,2] 

机构地区：[1]东南大学自动化学院,江苏南京210096 [2]东南大学复杂工程系统测量与控制教育部重点实验室,江苏南京210096 [3]中国传媒大学信息工程学院,北京100024

出　　处：《电子学报》2016年第3期580-586,共7页Acta Electronica Sinica

基　　金：国家自然科学基金(No.61101165);江苏省自然科学基金(No.BK20131296;No.BK20130639);航空科学基金(No.20115169016);国家科技支撑计划课题(No.2012BAH02B03)

摘　　要：结合图像属性上下文信息和核熵成分分析,构造了一种新颖的基于下上文信息的局部特征描述子——上下文核描述子(Context Kernel Descriptors,CKD).上下文信息的引入提高了CKD特征的鲁棒性,减少了特征误匹配.核熵成分分析从全维CKD特征分量中选出最能代表目标几何结构信息的特征分量,将其投影到这些特征分量张成的子空间上可得到降维CKD特征.在Caltech-101和CIFAR-10的测试结果表明,CKD的分类性能不仅明显优于其它局部特征描述子,还优于多数基于稀疏表示和深度学习等复杂模型的目标分类算法.Combining the context cue of image attributes and kernel entropy component analysis（ KECA）,w e proposed a context-based local feature descriptor called context kernel descriptors（ CKD）. Context cue implied in the CKD improves its robustness,thus reducing false matches during feature correspondence. KECA applied in the feature dimensionality reduction step selects the principal eigenvectors that contribute most to the geometrical structure of input images. Projecting the full-dimensional CKD onto the subspaces spanned by these principal eigenvectors,w e derive the final low-dimensional CKD. Evaluation results on Caltech-101 and CIFAR-10 show that the classification performance of the proposed CKD significantly outperforms other local descriptors,and even surpasses most sparse representation-based and deep learning-based sophisticated object classification methods.

关 键 词：上下文核描述子 核熵成分分析 特征降维 目标分类 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]