导读:本文包含了图像分类编码论文开题报告文献综述及选题提纲参考文献，主要关键词:稀疏编码,图像分类,极限学习机,支持向量机
图像分类编码论文文献综述
刁琦[1]（2019）在《一种改进的稀疏编码模型图像分类算法》一文中研究指出针对传统稀疏编码方法对图像分类,本文采用SIFT算法提取的图像特征,分类器主要通过构造多尺度小波核极限学习机进行图像分类。采用该方法对wine数据集与微软Corel1K图像库进行测试,实验表明,较单尺度小波核,多尺度小波核具有更好的分类效果。同时,多尺度小波核极限学习机的分类性能优于多尺度支持向量机、支持向量机与极限学习机的分类性能。(本文来源于《智能计算机与应用》期刊2019年05期）
秦芳,顾广华[2]（2019）在《基于多尺度局部特征编码与多通道特征融合的图像场景分类》一文中研究指出场景分类在图像理解和计算机视觉中是一个挑战性问题。有效的图像表示在场景分类任务中至关重要。CNN特征在场景分类任务中表现相对突出,但仍有缺陷,其主要表征图像的全局特征,忽略了局部信息,且缺乏几何不变性。本文通过编码多尺度局部图像块的中层CNN特征,获得图像的局部信息,并将编码特征与原始图像的全局CNN特征进行多通道融合来描述场景图像,获得更高效的图像表示,以实现更好的分类判别。本文在两个常用的场景数据集上进行实验评估,结果表明,该方法在场景分类任务中取得了令人满意的效果。(本文来源于《燕山大学学报》期刊2019年04期）
董安国,刘洪超,张倩,梁苗苗[3]（2019）在《基于自动编码机的高光谱遥感图像分类》一文中研究指出根据高光谱遥感图像数据维度高、空间相关性、特征非线性的特点,提出了一种基于深度学习的空-谱特征提取分类算法。首先在堆栈稀疏自动编码机中加入权重衰减项,再利用主成分分析方法对图像数据进行降维处理,然后根据主成分影像块内所有像元的第一主成分与中心像元间的差距对邻域信息进行排序、删除、重组和堆栈,最后将得到的空-谱信息输入到与SoftMax分类器相结合的堆栈稀疏自动编码机中进行分类。通过两组实验数据的对比,验证了所提分类算法可以提高高光谱图像的分类精度。(本文来源于《激光与光电子学进展》期刊2019年19期）
董安国,张倩,刘洪超,梁苗苗[4]（2019）在《基于TSNE和多尺度稀疏自编码的高光谱图像分类》一文中研究指出针对高光谱图像存在维数"灾难"、特征以及空间信息利用不足的问题,结合深度学习、流形学习及多尺度空间特征的最新进展,提出了一种TSNE和多尺度稀疏自编码网络的高光谱图像分类算法。利用TSNE算法对高光谱图像进行降维,再对每个像元的邻域进行多尺度空间特征提取,利用加入空谱联合信息的像元训练稀疏自编码网络模型并通过softmax分类器进行分类,减少计算复杂度,提高分类精确度。通过对Indian Pines及Pavia University两组数据进行实验,结果表明,提出的算法与其他五种算法相比分类效果更好。(本文来源于《计算机工程与应用》期刊2019年21期）
张国东,周浩,方淇,张露,杨峻[5]（2019）在《基于栈式自编码神经网络对高光谱遥感图像分类研究》一文中研究指出为了有效利用高光谱遥感图像中的波段信息,提高高光谱遥感图像分类的精确度,本文提出了基于栈式自编码神经网络(Stacked Autoencoder,SA)对高光谱遥感图像进行分类。栈式自编码神经网络充分利用高光谱图像中的光谱信息,对其进行相应特征提取,避免了相邻信息间的相关性和信息的冗余,本方法采用无监督学习和监督学习相结合,既可以像传统方法那样进行降维,简化相关的计算复杂度,同时在分类精度上有很大地提高。(本文来源于《红外技术》期刊2019年05期）
曹晔[6]（2019）在《一种基于局部排序的约束稀疏编码的图像分类方法》一文中研究指出图像分类作为计算机视觉分析领域一个重要的研究方向,其分类性能很大程度上取决于图像的特征表示.为了能够更好地进行图像分类,本文提出了一种基于局部约束稀疏编码的神经气算法(Neural Gas based Locality-constrained Sparse Coding,NGLSC)用来实现图像分类.引入局部排序适配器作为距离正则化约束项已经应用在神经气(Neural Gas,NG)的算法矢量量化中,旨在通过软竞争学习算法来弥补K均值聚类(K-means)算法的不足.在稀疏编码阶段此算法可求解得到封闭解.此外,字典更新一般由目标函数的误差项来决定,已有一些经典的算法采用这种方式更新字典.本文使用ORL数据库和COIL20数据库将所提出算法和现有算法局部约束线性编码(Locality-constrained Linear Coding,LLC),脸元数据学习方法(Metaface Learning,MFL)进行比较.实验结果证明本文所提出的算法在图像分类上准确率可达95%以上.可以看出,本文为计算机视觉图像分类工作提供了一种有价值的解决思路.(本文来源于《电子学报》期刊2019年04期）
李大湘,吴倩,邱鑫,刘颖[7]（2019）在《基于空间稀疏编码的MIL算法及刑侦图像分类》一文中研究指出针对刑侦图像分类问题,提出一种基于空间稀疏编码(SSC)的多示例学习(MIL)算法。首先,利用稠密尺度不变特征转换(SIFT)原理设计一种带有示例位置信息的多示例建模方案,将刑侦图像分类问题转化为MIL问题;然后,基于多样性密度(DD)函数及稀疏编码(SC)理论,设计了一种针对MIL的字典构造方法及空间稀疏编码方案,用于计算多示例包的元数据(metadata);最后,结合大尺度线性支持向量机方法,提出了一种SSC-MIL的MIL新算法。14类真实刑侦图像的对比实验表明,该算法是有效的,且分类精度高于其他方法。(本文来源于《电子科技大学学报》期刊2019年01期）
刘芳,王鑫,路丽霞,黄光伟,王洪娟[8]（2019）在《基于稀疏编码和卷积神经网络的地貌图像分类》一文中研究指出提出了一种基于稀疏编码和卷积神经网络的地貌场景图像分类算法;利用非下采样Contourlet变换对训练样本进行多尺度分解;在训练样本中选择图像,利用稀疏编码学习局部特征,对特征向量进行排序;选择灰度平均梯度较大的特征向量对卷积神经网络卷积核进行初始化。结果表明:所提算法可以获得比传统底层视觉特征更好的分类结果,有效避免了网络训练陷入局部最优的问题,提高了自然场景下无人机着陆地貌的分类准确率。(本文来源于《光学学报》期刊2019年04期）
孙登第,孟欠欠,马云鹏[9]（2018）在《核迁移稀疏编码算法在跨域图像分类中的应用》一文中研究指出针对非线性分布的数据样本在原始特征空间可分性较差的问题,文中提出一种基于核迁移稀疏编码的跨域图像分类方法,并应用于图像分类.首先将图像特征和字典映射到一个高维的再生核希尔伯特空间,使得线性不可分问题变为线性可分问题.然后在高维特征空间中对每个样本数据进行表示.文中算法不仅有效地处理非线性结构数据,而且考虑了源域和目标域的分布差异以及几何结构信息,获得更为鲁棒的稀疏表达,提高跨域图像分类精度.(本文来源于《微电子学与计算机》期刊2018年10期）
徐佳庆,万文,吕启[10]（2018）在《基于二阶矩稀疏编码的高光谱遥感图像分类》一文中研究指出高光谱遥感技术是当前遥感领域的前沿技术,将稀疏编码应用于高光谱遥感图像处理是近年来高光谱信息处理的一个热点研究方向。以提升高光谱遥感图像分类准确度为目标,提出一种基于二阶矩空谱联合稀疏编码的遥感图像分类方法。首先从各地物参考数据中选取训练样本,通过学习构造得到字典,然后在训练得到的字典的基础上通过稀疏编码获得每个像元的稀疏系数,之后将稀疏系数作为分类器的输入,通过分类器的分类判决得到最终的分类结果。利用北京市朝阳地区的天宫一号可见近红外高光谱遥感图像数据和KSC高光谱数据,将该方法与支持向量机(SVM)、基于光谱维信息的稀疏编码以及一阶矩空谱联合稀疏编码等方法进行了比较。实验结果表明,提出的分类方法较其他几种方法可以取得更好的分类效果,在天宫一号和KSC数据上的总体分类精度分别可达到95.74%和96.84%,Kappa系数分别可达到0.9476和0.9646。(本文来源于《计算机科学》期刊2018年09期）
图像分类编码论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
场景分类在图像理解和计算机视觉中是一个挑战性问题。有效的图像表示在场景分类任务中至关重要。CNN特征在场景分类任务中表现相对突出,但仍有缺陷,其主要表征图像的全局特征,忽略了局部信息,且缺乏几何不变性。本文通过编码多尺度局部图像块的中层CNN特征,获得图像的局部信息,并将编码特征与原始图像的全局CNN特征进行多通道融合来描述场景图像,获得更高效的图像表示,以实现更好的分类判别。本文在两个常用的场景数据集上进行实验评估,结果表明,该方法在场景分类任务中取得了令人满意的效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
图像分类编码论文参考文献
[1].刁琦.一种改进的稀疏编码模型图像分类算法[J].智能计算机与应用.2019
[2].秦芳,顾广华.基于多尺度局部特征编码与多通道特征融合的图像场景分类[J].燕山大学学报.2019
[3].董安国,刘洪超,张倩,梁苗苗.基于自动编码机的高光谱遥感图像分类[J].激光与光电子学进展.2019
[4].董安国,张倩,刘洪超,梁苗苗.基于TSNE和多尺度稀疏自编码的高光谱图像分类[J].计算机工程与应用.2019
[5].张国东,周浩,方淇,张露,杨峻.基于栈式自编码神经网络对高光谱遥感图像分类研究[J].红外技术.2019
[6].曹晔.一种基于局部排序的约束稀疏编码的图像分类方法[J].电子学报.2019
[7].李大湘,吴倩,邱鑫,刘颖.基于空间稀疏编码的MIL算法及刑侦图像分类[J].电子科技大学学报.2019
[8].刘芳,王鑫,路丽霞,黄光伟,王洪娟.基于稀疏编码和卷积神经网络的地貌图像分类[J].光学学报.2019
[9].孙登第,孟欠欠,马云鹏.核迁移稀疏编码算法在跨域图像分类中的应用[J].微电子学与计算机.2018
[10].徐佳庆,万文,吕启.基于二阶矩稀疏编码的高光谱遥感图像分类[J].计算机科学.2018