Recently,distance metric learning has become one of the most attractive research areas in image classification. The image⁃to⁃class distance metric is a non⁃parametric method for image classification and achieves a impressive result. However,due to the lack of a training phase,the classification accuracy of it is easily affected by irrelevant factors.In this paper,we propose a novel image⁃to⁃class distance learning method for image classification by using the AdaBoost algorithm. We first deal with image⁃to⁃class distance through the threshold,and a piecewise linear discriminator function is used as the evaluation function of image⁃to⁃class distance. Then,the evaluation function is added to the AdaBoost algorithm as a weak classifier to generate a strong classifier.In order to select the optimal weak classifier,the particle swarm optimization algorithm is used to determine the similarity threshold of the image,and the two evaluation values of the distance evaluation function are obtained based on the principle of weight error minimization.The experimental results on datasets of Scene⁃15 and Caltech⁃101 verified that our proposed method can significantly outperform other methods in image classification.
Li Zilong, Zhou Yong, Bao Rong. AdaBoost image⁃to⁃class distance learning for image classification. Journal of nanjing University[J], 2020, 56(1): 51-56 doi:10.13232/j.cnki.jnju.2020.01.006
图像分类一直是计算机视觉领域的研究热点,近年来各种图像分类方法层出不穷[1,2,3,4,5].2008年Boiman et al[6]提出一种新颖的图像分类方法,这是一种非参数的方法,使用图像到类(image⁃to⁃class)的距离对图像进行分类,在一定程度上能克服局部特征量化带来的信息损失问题.然而,由于实际场景中的图像受到光照、遮挡、类内界限模糊等干扰因素的影响,该图像到类距离的分类性能仍需提升,为此许多学者对其进行了改进.
2010年Wang et al[7]提出使用Mahalanobis距离作为图像到类距离的度量公式,并给出了距离度量的学习过程,该方法在特征数量不足时仍有较好的性能.为了体现不同特征在分类中的不同重要性,2011年Wang et al[8]提出对图像特征到类距离的权值进行学习,进一步提高图像分类的抗干扰能力.2012年McCann and Lowe[9]提出在整个图像集中找到最相关的类,并计算局部邻域的图像特征到类的距离,该方法缩小了查找空间,加快了分类速度.2013年Wang et al[10]提出通过线性距离编码得到图像到类的距离矢量,该方法提升了泛化能力.2015年Wang et al[11]提出在线性距离编码中考虑局部特征之间的相关性以抑制编码过程中噪声特征的干扰.2015年Qiao and Li[12]提出在正则化逻辑回归框架下学习图像到类距离的参数,该方法的性能优于其他图像到类的方法.2015年Tan et al[13]将图像到类的距离用于特征子集的选择,提出基于欧式距离的图像到类距离比去选择特征子集的方法,提高了图像分类效果.2017年Peng[14]将视觉显著性应用于图像到类距离的计算,通过计算前景和背景的图像到类的距离实现图像分类.
在本文所使用的粒子群优化算法中,粒子数量设置为50,算法的终止条件为权重错误误差为0.1.为了融合空间信息,Wang et al[7]结合空间金字塔和图像到类的距离,以逐渐精细的方式将图像递归地划分成子区域,进一步提高分类性能.在实验过程中,本文对所有参与对比的方法也都采用空间金字塔,所使用的空间层次及区域块大小为1×1,2×2,4×4,且文中所有的实验都在i5⁃3210 2.5 GHz CPU 6 G内存64位Windows 10操作系统下进行.
Learning object?to?class kernels for scene classification
1
2014
... 图像分类一直是计算机视觉领域的研究热点,近年来各种图像分类方法层出不穷[1,2,3,4,5].2008年Boiman et al[6]提出一种新颖的图像分类方法,这是一种非参数的方法,使用图像到类(image⁃to⁃class)的距离对图像进行分类,在一定程度上能克服局部特征量化带来的信息损失问题.然而,由于实际场景中的图像受到光照、遮挡、类内界限模糊等干扰因素的影响,该图像到类距离的分类性能仍需提升,为此许多学者对其进行了改进. ...
An overview and empirical comparison of distance metric learning methods
1
2016
... 图像分类一直是计算机视觉领域的研究热点,近年来各种图像分类方法层出不穷[1,2,3,4,5].2008年Boiman et al[6]提出一种新颖的图像分类方法,这是一种非参数的方法,使用图像到类(image⁃to⁃class)的距离对图像进行分类,在一定程度上能克服局部特征量化带来的信息损失问题.然而,由于实际场景中的图像受到光照、遮挡、类内界限模糊等干扰因素的影响,该图像到类距离的分类性能仍需提升,为此许多学者对其进行了改进. ...
Rapid contour detection for image classification
1
2017
... 图像分类一直是计算机视觉领域的研究热点,近年来各种图像分类方法层出不穷[1,2,3,4,5].2008年Boiman et al[6]提出一种新颖的图像分类方法,这是一种非参数的方法,使用图像到类(image⁃to⁃class)的距离对图像进行分类,在一定程度上能克服局部特征量化带来的信息损失问题.然而,由于实际场景中的图像受到光照、遮挡、类内界限模糊等干扰因素的影响,该图像到类距离的分类性能仍需提升,为此许多学者对其进行了改进. ...
Learning multi?instance deep discriminative patterns for image classification
1
2017
... 图像分类一直是计算机视觉领域的研究热点,近年来各种图像分类方法层出不穷[1,2,3,4,5].2008年Boiman et al[6]提出一种新颖的图像分类方法,这是一种非参数的方法,使用图像到类(image⁃to⁃class)的距离对图像进行分类,在一定程度上能克服局部特征量化带来的信息损失问题.然而,由于实际场景中的图像受到光照、遮挡、类内界限模糊等干扰因素的影响,该图像到类距离的分类性能仍需提升,为此许多学者对其进行了改进. ...
Learning parts?based and global representation for image classification
1
2018
... 图像分类一直是计算机视觉领域的研究热点,近年来各种图像分类方法层出不穷[1,2,3,4,5].2008年Boiman et al[6]提出一种新颖的图像分类方法,这是一种非参数的方法,使用图像到类(image⁃to⁃class)的距离对图像进行分类,在一定程度上能克服局部特征量化带来的信息损失问题.然而,由于实际场景中的图像受到光照、遮挡、类内界限模糊等干扰因素的影响,该图像到类距离的分类性能仍需提升,为此许多学者对其进行了改进. ...
In defense of nearest?neighbor based image classification
2
2008
... 图像分类一直是计算机视觉领域的研究热点,近年来各种图像分类方法层出不穷[1,2,3,4,5].2008年Boiman et al[6]提出一种新颖的图像分类方法,这是一种非参数的方法,使用图像到类(image⁃to⁃class)的距离对图像进行分类,在一定程度上能克服局部特征量化带来的信息损失问题.然而,由于实际场景中的图像受到光照、遮挡、类内界限模糊等干扰因素的影响,该图像到类距离的分类性能仍需提升,为此许多学者对其进行了改进. ...
Image?to?class distance metric learning for image classification
2
2010
... 2010年Wang et al[7]提出使用Mahalanobis距离作为图像到类距离的度量公式,并给出了距离度量的学习过程,该方法在特征数量不足时仍有较好的性能.为了体现不同特征在分类中的不同重要性,2011年Wang et al[8]提出对图像特征到类距离的权值进行学习,进一步提高图像分类的抗干扰能力.2012年McCann and Lowe[9]提出在整个图像集中找到最相关的类,并计算局部邻域的图像特征到类的距离,该方法缩小了查找空间,加快了分类速度.2013年Wang et al[10]提出通过线性距离编码得到图像到类的距离矢量,该方法提升了泛化能力.2015年Wang et al[11]提出在线性距离编码中考虑局部特征之间的相关性以抑制编码过程中噪声特征的干扰.2015年Qiao and Li[12]提出在正则化逻辑回归框架下学习图像到类距离的参数,该方法的性能优于其他图像到类的方法.2015年Tan et al[13]将图像到类的距离用于特征子集的选择,提出基于欧式距离的图像到类距离比去选择特征子集的方法,提高了图像分类效果.2017年Peng[14]将视觉显著性应用于图像到类距离的计算,通过计算前景和背景的图像到类的距离实现图像分类. ...
... 在本文所使用的粒子群优化算法中,粒子数量设置为50,算法的终止条件为权重错误误差为0.1.为了融合空间信息,Wang et al[7]结合空间金字塔和图像到类的距离,以逐渐精细的方式将图像递归地划分成子区域,进一步提高分类性能.在实验过程中,本文对所有参与对比的方法也都采用空间金字塔,所使用的空间层次及区域块大小为1×1,2×2,4×4,且文中所有的实验都在i5⁃3210 2.5 GHz CPU 6 G内存64位Windows 10操作系统下进行. ...
Improved learning of I2C distance and accelerating the neighborhood search for image classification
2
2011
... 2010年Wang et al[7]提出使用Mahalanobis距离作为图像到类距离的度量公式,并给出了距离度量的学习过程,该方法在特征数量不足时仍有较好的性能.为了体现不同特征在分类中的不同重要性,2011年Wang et al[8]提出对图像特征到类距离的权值进行学习,进一步提高图像分类的抗干扰能力.2012年McCann and Lowe[9]提出在整个图像集中找到最相关的类,并计算局部邻域的图像特征到类的距离,该方法缩小了查找空间,加快了分类速度.2013年Wang et al[10]提出通过线性距离编码得到图像到类的距离矢量,该方法提升了泛化能力.2015年Wang et al[11]提出在线性距离编码中考虑局部特征之间的相关性以抑制编码过程中噪声特征的干扰.2015年Qiao and Li[12]提出在正则化逻辑回归框架下学习图像到类距离的参数,该方法的性能优于其他图像到类的方法.2015年Tan et al[13]将图像到类的距离用于特征子集的选择,提出基于欧式距离的图像到类距离比去选择特征子集的方法,提高了图像分类效果.2017年Peng[14]将视觉显著性应用于图像到类距离的计算,通过计算前景和背景的图像到类的距离实现图像分类. ...
Local naive bayes nearest neighbor for image classification
2
2012
... 2010年Wang et al[7]提出使用Mahalanobis距离作为图像到类距离的度量公式,并给出了距离度量的学习过程,该方法在特征数量不足时仍有较好的性能.为了体现不同特征在分类中的不同重要性,2011年Wang et al[8]提出对图像特征到类距离的权值进行学习,进一步提高图像分类的抗干扰能力.2012年McCann and Lowe[9]提出在整个图像集中找到最相关的类,并计算局部邻域的图像特征到类的距离,该方法缩小了查找空间,加快了分类速度.2013年Wang et al[10]提出通过线性距离编码得到图像到类的距离矢量,该方法提升了泛化能力.2015年Wang et al[11]提出在线性距离编码中考虑局部特征之间的相关性以抑制编码过程中噪声特征的干扰.2015年Qiao and Li[12]提出在正则化逻辑回归框架下学习图像到类距离的参数,该方法的性能优于其他图像到类的方法.2015年Tan et al[13]将图像到类的距离用于特征子集的选择,提出基于欧式距离的图像到类距离比去选择特征子集的方法,提高了图像分类效果.2017年Peng[14]将视觉显著性应用于图像到类距离的计算,通过计算前景和背景的图像到类的距离实现图像分类. ...
... 2010年Wang et al[7]提出使用Mahalanobis距离作为图像到类距离的度量公式,并给出了距离度量的学习过程,该方法在特征数量不足时仍有较好的性能.为了体现不同特征在分类中的不同重要性,2011年Wang et al[8]提出对图像特征到类距离的权值进行学习,进一步提高图像分类的抗干扰能力.2012年McCann and Lowe[9]提出在整个图像集中找到最相关的类,并计算局部邻域的图像特征到类的距离,该方法缩小了查找空间,加快了分类速度.2013年Wang et al[10]提出通过线性距离编码得到图像到类的距离矢量,该方法提升了泛化能力.2015年Wang et al[11]提出在线性距离编码中考虑局部特征之间的相关性以抑制编码过程中噪声特征的干扰.2015年Qiao and Li[12]提出在正则化逻辑回归框架下学习图像到类距离的参数,该方法的性能优于其他图像到类的方法.2015年Tan et al[13]将图像到类的距离用于特征子集的选择,提出基于欧式距离的图像到类距离比去选择特征子集的方法,提高了图像分类效果.2017年Peng[14]将视觉显著性应用于图像到类距离的计算,通过计算前景和背景的图像到类的距离实现图像分类. ...
Collaborative linear coding for robust image classification
1
2015
... 2010年Wang et al[7]提出使用Mahalanobis距离作为图像到类距离的度量公式,并给出了距离度量的学习过程,该方法在特征数量不足时仍有较好的性能.为了体现不同特征在分类中的不同重要性,2011年Wang et al[8]提出对图像特征到类距离的权值进行学习,进一步提高图像分类的抗干扰能力.2012年McCann and Lowe[9]提出在整个图像集中找到最相关的类,并计算局部邻域的图像特征到类的距离,该方法缩小了查找空间,加快了分类速度.2013年Wang et al[10]提出通过线性距离编码得到图像到类的距离矢量,该方法提升了泛化能力.2015年Wang et al[11]提出在线性距离编码中考虑局部特征之间的相关性以抑制编码过程中噪声特征的干扰.2015年Qiao and Li[12]提出在正则化逻辑回归框架下学习图像到类距离的参数,该方法的性能优于其他图像到类的方法.2015年Tan et al[13]将图像到类的距离用于特征子集的选择,提出基于欧式距离的图像到类距离比去选择特征子集的方法,提高了图像分类效果.2017年Peng[14]将视觉显著性应用于图像到类距离的计算,通过计算前景和背景的图像到类的距离实现图像分类. ...
Discriminative learning of I2C distance for image classification
1
2015
... 2010年Wang et al[7]提出使用Mahalanobis距离作为图像到类距离的度量公式,并给出了距离度量的学习过程,该方法在特征数量不足时仍有较好的性能.为了体现不同特征在分类中的不同重要性,2011年Wang et al[8]提出对图像特征到类距离的权值进行学习,进一步提高图像分类的抗干扰能力.2012年McCann and Lowe[9]提出在整个图像集中找到最相关的类,并计算局部邻域的图像特征到类的距离,该方法缩小了查找空间,加快了分类速度.2013年Wang et al[10]提出通过线性距离编码得到图像到类的距离矢量,该方法提升了泛化能力.2015年Wang et al[11]提出在线性距离编码中考虑局部特征之间的相关性以抑制编码过程中噪声特征的干扰.2015年Qiao and Li[12]提出在正则化逻辑回归框架下学习图像到类距离的参数,该方法的性能优于其他图像到类的方法.2015年Tan et al[13]将图像到类的距离用于特征子集的选择,提出基于欧式距离的图像到类距离比去选择特征子集的方法,提高了图像分类效果.2017年Peng[14]将视觉显著性应用于图像到类距离的计算,通过计算前景和背景的图像到类的距离实现图像分类. ...
Image?to?class distance ratio:a feature filtering metric for image classification
1
2015
... 2010年Wang et al[7]提出使用Mahalanobis距离作为图像到类距离的度量公式,并给出了距离度量的学习过程,该方法在特征数量不足时仍有较好的性能.为了体现不同特征在分类中的不同重要性,2011年Wang et al[8]提出对图像特征到类距离的权值进行学习,进一步提高图像分类的抗干扰能力.2012年McCann and Lowe[9]提出在整个图像集中找到最相关的类,并计算局部邻域的图像特征到类的距离,该方法缩小了查找空间,加快了分类速度.2013年Wang et al[10]提出通过线性距离编码得到图像到类的距离矢量,该方法提升了泛化能力.2015年Wang et al[11]提出在线性距离编码中考虑局部特征之间的相关性以抑制编码过程中噪声特征的干扰.2015年Qiao and Li[12]提出在正则化逻辑回归框架下学习图像到类距离的参数,该方法的性能优于其他图像到类的方法.2015年Tan et al[13]将图像到类的距离用于特征子集的选择,提出基于欧式距离的图像到类距离比去选择特征子集的方法,提高了图像分类效果.2017年Peng[14]将视觉显著性应用于图像到类距离的计算,通过计算前景和背景的图像到类的距离实现图像分类. ...
Context?aware image?to?class distances from image classification
2
2017
... 2010年Wang et al[7]提出使用Mahalanobis距离作为图像到类距离的度量公式,并给出了距离度量的学习过程,该方法在特征数量不足时仍有较好的性能.为了体现不同特征在分类中的不同重要性,2011年Wang et al[8]提出对图像特征到类距离的权值进行学习,进一步提高图像分类的抗干扰能力.2012年McCann and Lowe[9]提出在整个图像集中找到最相关的类,并计算局部邻域的图像特征到类的距离,该方法缩小了查找空间,加快了分类速度.2013年Wang et al[10]提出通过线性距离编码得到图像到类的距离矢量,该方法提升了泛化能力.2015年Wang et al[11]提出在线性距离编码中考虑局部特征之间的相关性以抑制编码过程中噪声特征的干扰.2015年Qiao and Li[12]提出在正则化逻辑回归框架下学习图像到类距离的参数,该方法的性能优于其他图像到类的方法.2015年Tan et al[13]将图像到类的距离用于特征子集的选择,提出基于欧式距离的图像到类距离比去选择特征子集的方法,提高了图像分类效果.2017年Peng[14]将视觉显著性应用于图像到类距离的计算,通过计算前景和背景的图像到类的距离实现图像分类. ...