基于混合学习框架的SVM反馈算法研究

 基于支持向量机（SupportVectorMachine,SVM）理论的相关反馈技术是可有效提高图像检索性能的重要手段之一。然而,大多数SVM反馈算法普遍受到小样本问题的制约。本文综合了集成学习、半监督学习和主动学习三种方法的技术特点,提出一种混合学习框架下的SVM反馈算法。该算法在Boosting迭代过程中使用了未标记图像,以增加个体SVM之间的差异,从而获得高效的集成学习模型。同时,高效的集成学习模型更有利于寻找富有信息（most informative）图像,从而也提高了用户主动反馈的效率。实验结果及对比分析表明,混合学习策略可有效改进相关反馈的性能。     

一种基于区域分割和相关反馈的图像检索方法

提出了一种综合利用区域分割和相关反馈两者优点的图像检索算法。用区域分割有效获取图像底层特征,以支持向量机（SVM）分类器构成非对称包支持向量机（AB—SVM）多分类器组合,从而解决相关反馈中样本不足的问题。实验结果表明,文中方法提高了初次检索和相关反馈的性能。     

基于散布矩阵分析的相关反馈算法及应用

相关反馈技术是一种较常用的提高信息检索精度的方法.在图像检索领域,相关反馈技术被认为是解决图像高层语义内容和低层视觉特征之间差异的一种有效方法.视觉特征的权值调整是一类应用较多的相关反馈技术,权值调整方法中存在矩阵奇异问题,本文提出了一种新的基于散布矩阵分析的相关反馈算法,解决了矩阵奇异问题.该方法通过分析与检索目标相关图像在特征空间中的散布来构造目标图像类的投影空间,该空间对应于一个高层语义类在特征空间中分布密集的子空间,在投影空间中计算相似图像;同时根据每次反馈的信息不断修正投影空间来提高系统的检索性能.在Cord图像数据库中的实验结果表明该算法具有良好的检索性能.     

基于隐含语义分析的视频语义概念检测方法

针对现有方法建立模型效率低、语义概念间孤立和模型适应性差等问题,文章采用了基于隐含语义分析和伪相关反馈的方法完成视频语义概念检测任务。通过LDA隐含语义分析,在隐含主题内分别训练SVM模型,同时在训练过程中采用增量学习的方式,选择原模型中的支持向量和伪正负样本进行训练,然后通过隐含主题充分挖掘概念间关系,提高模型训练效率和检测的精度。通过实验表明,基于隐含语义分析和伪相关反馈的方法提高了视频语义概念检测的精度。     

基于视觉感知的图像检索的研究

基于内容图像检索的一个突出问题是图像低层特征与高层语义之间存在的巨大鸿沟.针对相关反馈和感兴趣区检测在弥补语义鸿沟时存在主观性强、耗时的缺点,提出了视觉信息是一种客观反映图像高层语义的新特征,基于视觉信息进行图像检索可以有效减小语义鸿沟;并在总结视觉感知的研究进展和实现方法的基础上,给出了基于视觉感知的图像检索在感兴趣区检测、图像分割、相关反馈和个性化检索四个方面的研究思路.     

基于主动学习的相关反馈算法研究

相关反馈(reference feedback)是信息检索领域中一种常用技术,近年来,该技术被广泛应用与基于内容的图像检索(CBIR)领域中,旨在通过用户与图像检索系统间的交互过程,克服图像底层特征与高层语义之间的语义鸿沟问题。将主动学习算法结合到相关反馈技术当中,其目的是利用主动学习算法,从无标记图像集中选择最具有信息化的部分图像作为反馈图像,减少用户与系统之间的反馈次数。在COREL图像库和VOC图像库上,对基于主动学习的相关反馈技术进行实验验证,实验结果证明了,基于主动学习的相关反馈技术可以有效提高图像检索系统的性能。     

视频检索中相关反馈算法研究

本文提出了一种基于贝叶斯学习的视频检索相关反馈算法,该算法使用概率框架描述检索问题,根据贝叶斯公式按照用户标记相关和不相关样本集来更新视频库中镜头的目标概率,实现自动相关反馈.通过增量学习,使系统的检索能力不断得到提高.对包含几千个镜头的视频库的实验表明,新算法能够显著提高检索的性能,并在有限的几次反馈后就能快速收敛于用户的查询概念.     

基于区域分割与相关反馈的高效图像检索算法

为了提高图像标注与检索的性能,提出了一种基于区域分割与相关反馈的图像标注与检索算法.该算法利用视觉特征与标注信息的相关性,采用基于区域的视觉特征对每幅图像采用聚类方法获得其一组视觉相似图像.通过计算与其距离最近的前三个分类的相似度,然后对这些关键字概率向量进行整合,获得最适合该图像的关键字概率向量,对图像进行标注.利用用户的反馈信息,修正查询关键词与每个分类之间的关系,进一步提高图像检索的准确性.实验结果表明,提出的算法具有更高的查准率与查全率.     

基于综合特征和SVM相关反馈的图像检索

提出综合纹理、颜色和形状特征的图像检索方法。首先采用Gabor小波计算ROIs(Regions of Interest)的位置和数目;然后在ROIs中,使用Gabor小波提取纹理特征,采用YUV空间直方图和颜色矩表示颜色特征,使用Zernike矩提取形状特征。为了提高图像检索的准确度,最后采用基于支持向量机(SVM)的相关反馈算法。实验结果表明,提出的方法具有较好的检索性能。     

基于SFV的暴力群体行为检测算法

提出一种基于深度学习思想的暴力群体行为检测算法。该算法分为三个阶段,第一阶段提取一种被称为SC-ISA的时空不变性特征;在第二阶段,运用max-pooling方法与Stacked Fisher Vector Coding(SFV)结合进行特征量化;在第三阶段,运用SVM分类算法对视频进行分类检测。该算法在Crowd Violence dataset上进行了仿真实验,视频测试结果表明,其准确性和检测速度都优于对比算法。     

基于多种上下文结构与线性融合的特定敏感视频识别

本文中特定敏感视频是指恐怖和暴力视频,现有的特定敏感视频识别算法或是忽略了视频的多种上下文结构信息;或是忽略了各种特征间潜在的依赖关系.因此,本文提出了一种基于多种上下文结构与线性融合的特定敏感视频识别方法,首先针对某种视频提取多种有效特征,并获取镜头间的上下文结构信息;然后,在每一个特征空间中利用上下文结构训练一个SVM分类器;最后,获取不同特征间的依赖关系,采用线性依赖模型融合多个分类器的结果,提高视频的识别率.在特定敏感视频库上的实验结果验证了该方法比现有的其它算法有更好的性能和稳定性.     

基于内容的视频镜头的分类

论文在研究了视频关键帧选取和特征提取技术的基础上,提出了一种基于内容的视频镜头分类方法,并将其应用于动漫/真人的视频镜头的分类,以检验所提方法的性能。实验首先提取了视频的语义特征,接着使用互信息对特征的有效性进行分析,最后使用支持向量机作为分类器,对特征分析的结果进行验证。     

Support Vector Machine Learning for Region‐Based Image Retrieval with Relevance Feedback

We present a relevance feedback approach based on multi‐class support vector machine (SVM) learning and cluster‐merging which can significantly improve the retrieval performance in region‐based image retrieval. Semantically relevant images may exhibit various visual characteristics and may be scattered in several classes in the feature space due to the semantic gap between low‐level features and high‐level semantics in the user's mind. To find the semantic classes through relevance feedback, the proposed method reduces the burden of completely re‐clustering the classes at iterations and classifies multiple classes. Experimental results show that the proposed method is more effective and efficient than the two‐class SVM and multi‐class relevance feedback methods.     

Detection of transcoded HEVC videos based on in-loop filtering and PU partitioning analyses

With the increasing maturity of video editing technology, forgers are more inclined to transcode videos to High Efficiency Video Coding (HEVC) videos, as HEVC not only enables people to enjoy high-definition videos but also allows broadcasters to stream it more efficiently across networks. Therefore, to verify the originality and authenticity, it is of great significance to propose an algorithm for detecting transcoded HEVC videos. In this paper, a theoretical model of video transcoding is first constructed, and a novel transcoding detection algorithm based on In-loop Filtering and Prediction Units (PU) Partition (IFPP) is proposed. By analyzing the statistical characteristics of strong and normal filtering modes in deblocking filtering and calculating offset values in Sample Adaptive Offset (SAO) filtering, the transcoding traces in inter-coded frames can be captured. In addition, PU partition statistics are also extracted to make full use of traces in intra-coded frames. By fusing these subfeatures, the proposed IFPP feature with 17 dimensions can be obtained, which is further fed to the Support Vector Machine (SVM) classifier. Finally, experiments are conducted on datasets with various coding parameters. Results show that the proposed algorithm outperforms existing algorithms and has better robustness.     

贝叶斯框架下基于区域的相关反馈算法

融合基于区域的图像表达方式和相关反馈技术能够有效地提高图像检索的性能。由于现有的方法没有充分考虑相同语义类内区域特征的分布情况,进而无法对该类的语义信息进行有效的描述,为此该文提出了贝叶斯框架下基于区域的相关反馈模型。在每轮相关反馈中,通过在线学习区域的贝叶斯分类器,同时根据最近邻最小错误估计原则确定分类器的可信度,可以可靠地建立图像相似性度量的概率模型。此外,在应用非参数密度估计技术来构造语义类的特征分布时,针对区域分割的不精确性,该文还考虑了区域特征空间的总体分布因素,进而对区域的后验分布进行更可靠地估计。最后的实验说明了该文方法的有效性。     

基于拉格朗日高斯变换的奥运会视频分类机制研究

随着现代体育不断发展,奥运会承办比赛种类越 来越繁杂,对赛事视频分类提出了一 个新的挑战。现有的人工分类方法无法有效地区分团体竞技类比赛(球类)和个人竞技类比 赛(田径类)视频,从而进行大规模自动分类存储。然而,为了有效地重复使用这些视频文 件,需要对其进行分类存储,主要目的在于提高资源的利用率。针对人工分类手段太过于低 效的现状,本文对奥运会运动视屏内容分类问题进行研究,并提出了一种基于关键帧特征提 取和支持向量机(Supported Vector Machine,SVM)的视频分类方法。以第31届奥运会的 体育视频作为数据集,对每个视频进行关键帧提取和总结,并借由拉格朗日-高斯变换来计 算视频对应的特征向量,将特征向量作为SVM分类器的输入进行体育视频分类。实验结果表 明,对于任意奥运视频,提出的方法平均能够取得70%以上的正确分类率,而错误分类的比 例始终低于10%。特别地,对于奥运中的射击类视频,平均正确分类 率接近90%左右,说明了提出方法的有效性。     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

基于可变形模型的目标跟踪算法

近年来目标跟踪技术的研究已经有了很大的进展,但目标的遮挡和形变仍然是目标跟踪算法面临的重大挑战。针对这些问题提出了一种基于可变形模型的目标跟踪算法。首先,利用可变形模型对跟踪目标进行表达,该模型将目标分为若干子块,目标的特征由局部子块特征和全局特征共同构成。将目标的特征和子块之间的空间关系结合起来,给出了对目标的一个统一的相似度度量函数。然后,在线训练一个结构化输出支持向量机作为分类器,该分类器的输出是可变形模型中目标的结构化描述。利用该分类器可以在视频及图像序列中准确地检测到目标,完成跟踪。通过实验比较,该算法的跟踪性能优于其他主流跟踪算法,尤其在目标发生遮挡和形变的时候仍能准确跟踪。     

Multitraining support vector machine for image retrieval.

Relevance feedback (RF) schemes based on support vector machines (SVMs) have been widely used in content-based image retrieval (CBIR). However, the performance of SVM-based RF approaches is often poor when the number of labeled feedback samples is small. This is mainly due to 1) the SVM classifier being unstable for small-size training sets because its optimal hyper plane is too sensitive to the training examples; and 2) the kernel method being ineffective because the feature dimension is much greater than the size of the training samples. In this paper, we develop a new machine learning technique, multitraining SVM (MTSVM), which combines the merits of the cotraining technique and a random sampling method in the feature space. Based on the proposed MTSVM algorithm, the above two problems can be mitigated. Experiments are carried out on a large image set of some 20,000 images, and the preliminary results demonstrate that the developed method consistently improves the performance over conventional SVM-based RFs in terms of precision and standard deviation, which are used to evaluate the effectiveness and robustness of a RF algorithm, respectively.     

基于DCT系数统计特性的HEVC视频双压缩检测算法

功能强大和使用简易的视频编辑软件可能会使数字视频遭受到各种不同形式的篡改,视频的真实性和完整性无法得到保证。双压缩是视频篡改的必要条件,双压缩检测则是视频取证的重要辅助手段。通过分析压缩过程中由量化误差引起的离散余弦变换(DCT)系数变化,提出了一种不同量化参数下的高效视频编码(HEVC)视频双压缩检测算法,利用DCT系数直方图和相邻DCT系数对奇偶组合统计特性构造22维联合特征集,最后将特征集用支持向量机(SVM)进行分类识别。实验结果证明了本文算法的有效性。