下载掌阅APP，畅读海量书库
立即打开
本书以图像分类和场景识别为基础，针对在图像分类和场景识别中普遍存在的小样本问题进行研究。本书的结构主要依据了1.3节中叙述的两类4种情况中的小样本问题，按照单源、多源的顺序进行组织；并针对小样本问题的不同情况，采用了不同的语义计算方法来解决。从理论分析和实验结果都说明，本书所提出的方法，能很好地应对上述小样本问题的4种情况，不仅能满足某些特殊情况的需求，如隐私保护，并且在预测精度、算法效率上都比当前主流方法有所提高，从而能更好地应对图像分类中的小样本问题。
本书的结构具体安排如下。
第1章“绪论”。首先简要介绍了图像分类和场景识别的研究背景和意义。其次对当前图像分类和场景识别中，针对普遍出现的小样本问题的各种解决方法进行了综述。最后简要描述了当前图像分类和场景识别中小样本问题的难点问题，以及本书所做研究的主要内容和贡献。
第2章“基于潜在语义的单源小样本图像分类研究”。针对单一数据库中所存在小样本问题，本章提出潜在语义分析的方法完成图像分类任务。首先解释了本书中提出的“灰样本”，其次介绍了语义处理的基本模型，最后提出了场景CD-PLSA算法，并在LabelMe数据库上进行了实验，实验结果说明本书的算法具有良好的分类识别率。
第3章“基于模糊语义的零样本图像分类研究”。针对零样本问题，本章提出基于模糊语义的零样本图像分类方法来完成图像分类任务。首先介绍了零样本问题的背景、研究意义和难点。其次本书针对现有零样本分类模型的不足，通过分析底层特征与属性及属性与类别的语义关系，提出了基于模糊语义的零样本分类模型。最后将本书提出的模型在公用数据库上进行实验，实验结果说明本书提出的模型相对于现有零样本学习模型的效果更好。
第4章“基于语义树融合的多源小样本图像分类研究”。针对单一主机中的多源小样本问题，本章提出了基于语义树融合的多源小样本图像分类方法完成图像分类任务。首先说明了多任务学习相对于单任务学习的优势，并分析了现有多任务学习在图像分类中的缺陷；然后提出了基于融合语义树的图像分类模型，有效应对了多任务学习在图像分类时处理任务之间关系上的缺陷；最后在实验中说明了本书提出的基于融合语义树的模型相对于当前其他多任务学习模型在图像分类中得到更好的效果。
第5章“基于弱语义计算的多源小样本图像分类研究”。针对网络环境中的多源数据小样本问题，本章提出了基于弱语义计算的多源数据小样本图像分类方法完成图像分类任务。首先分析了在网络中图像数据库的存储特点以及对利用网络其他节点数据的可行性和关键点。其次提出了针对网络数据所有权和隐私保护的特点，本章通过弱分类之间语义关系的计算来学习其他网络节点的知识，以此应对本地训练图像数据不足的问题。最后，本书在4个公用数据库上验证了本书所提出的方法与其他现有方法相比，精确度更高、所需训练样本更少、时间开销更小。
第6章“总结与展望”。本章总结了本书提出的应对图像分类中两类4种情况的小样本问题的方法，并简述了现有研究成果尚存问题，对下一步的研究工作进行了展望。