1、隨著數(shù)字媒體設(shè)備和智能手機的普及，以及社交網(wǎng)絡(luò)和網(wǎng)絡(luò)共享的流行，網(wǎng)絡(luò)上的圖像數(shù)據(jù)規(guī)模越來越大，相應(yīng)的識別需求越來越多。大規(guī)模圖像數(shù)據(jù)為圖像識別領(lǐng)域中的識別、分類、檢索等問題帶來了更多的挑戰(zhàn)，也孕育著更多的機遇。
　　在過去幾年里，物體檢索是大規(guī)模圖像檢索中的熱門問題。大規(guī)模詞表產(chǎn)生的稀疏圖像表示是檢索中快速查詢的保證，高性能圖像表示是檢索性能的保證。本文通過對局部特征空間中視覺模式學(xué)習(xí)和圖像表示的研究，可以快速產(chǎn)生高性能的圖像表示

2、，提升大規(guī)模圖像檢索系統(tǒng)的性能。
　　為了解決大規(guī)模圖像的識別問題，視覺屬性和中層圖像表示最近幾年成為研究熱點。本文通過研究視覺屬性學(xué)習(xí)和中層圖像表示的產(chǎn)生，可以快速學(xué)習(xí)大規(guī)模視覺屬性、產(chǎn)生可用于識別和檢索的高性能表示。
　　本文的主要研究工作和創(chuàng)新之處如下:
　　(1)提出了一種快速構(gòu)造高性能大規(guī)模視覺詞表的算法。針對當前大規(guī)模圖像檢索系統(tǒng)的性能瓶頸，本文提出了一種快速構(gòu)建高性能大規(guī)模視覺詞表的算法。大規(guī)模圖像檢索系

3、統(tǒng)依賴于大規(guī)模視覺詞表，用以產(chǎn)生稀疏表示，進而實現(xiàn)快速、準確搜索。當前最好的近似算法構(gòu)造大規(guī)模詞表時不能同時兼顧速度和性能。本文利用近似算法迭代過程中視覺模式的繼承關(guān)系，提出一種可以保證快速收斂的魯棒近似算法。該算法基本不增加時間、空間代價。理論分析表明，算法會在有限輪收斂到精確算法的收斂解。實驗驗證表明，產(chǎn)生同等性能的視覺詞表，所需時間是已有最優(yōu)算法的1/10。大規(guī)模圖像檢索系統(tǒng)利用該算法可以快速產(chǎn)生更大規(guī)模的高性能詞表，為系統(tǒng)的速度

4、和性能提供技術(shù)保證。該算法也可以應(yīng)用到其它視覺模式發(fā)現(xiàn)中，快速構(gòu)造大規(guī)模視覺模式集合。
　　(2)提出了一種基于給定的大規(guī)模視覺詞表產(chǎn)生高性能圖像表示的算法。大規(guī)模圖像檢索系統(tǒng)中，針對給定大規(guī)模詞表后的圖像表示產(chǎn)生問題，本文提出了一種高性能且對參數(shù)魯棒的算法，用于量化局部特征并產(chǎn)生圖像表示。本文分析了多重量化對提高大規(guī)模圖像檢索中稀疏表示性能的作用，測試了匯集環(huán)節(jié)中不同匯集方法在大規(guī)模圖像檢索問題中的效果，并比較了檢索和識別中已有

5、量化算法的差異。本文從高斯核函數(shù)具有的尺度選擇性出發(fā)，提出一種算法，最小化核函數(shù)空間重構(gòu)誤差的。該算法邏輯清晰、目標簡潔、求解簡單，而且應(yīng)用到實際實驗中可以產(chǎn)生更好的表示。該算法可以更好地利用更多近鄰信息產(chǎn)生高性能稀疏圖像表示;學(xué)得的多重量化權(quán)重能夠更好地利用距離中局部信息，使得產(chǎn)生的表示對于近鄰參數(shù)變化更加魯棒。
　　(3)提出了一種快速產(chǎn)生高性能線性表示的方法。針對一般圖像表示問題，本文從線性中層表示出發(fā)提出了一種間接地快速學(xué)

6、習(xí)大量潛在視覺屬性并產(chǎn)生高性能表示的方法。當前基于視覺屬性的中層表示的各種研究，多數(shù)直接將屬性模型的輸出值組成一個長向量作為中層表示。這種表示方式，中層表示是模型輸出的線性映射，表示具有線性不變性。本文以此為出發(fā)點，提出通過學(xué)習(xí)這樣的語義子空間，間接地學(xué)習(xí)視覺屬性。通過子空間學(xué)習(xí)算法可以快速學(xué)習(xí)包含大規(guī)模潛在視覺屬性的語義子空間，這樣的語義子空間不僅可以通過線性映射產(chǎn)生維度可變的高性能中層表示，而且語義空間的投影具有很強的語義性，可以借

7、助人工標注給其語義含義命名。
　　(4)提出了一種產(chǎn)生高性能非線性表示的方案。在一般圖像表示問題中對所有線性形式表示都不能充分利用屬性模型信息的缺陷。本文受其它問題中非線性表示的研究啟發(fā)，提出一種基于屬性的非線性中層表示方案，用以產(chǎn)生高性能中層表示。該非線性表示方案對視覺屬性定義、屬性模型學(xué)習(xí)和表示產(chǎn)生三個環(huán)節(jié)分別提出要求:定義高度有偏的二元分類問題，學(xué)習(xí)局部有效的支持向量機模型，最后采用恰當?shù)某叨葏?shù)利用非線性映射產(chǎn)生中層表示。

8、其中，非線性表示可以更好地利用屬性模型的偏移和尺度信息，因而具有更高性能;局部有效的屬性模型指明輸出值中存在一定冗余信息，使后續(xù)的信息壓縮成為可能;高度有偏的二元分類問題保證很容易定義大量視覺屬性，且這些視覺屬性都只作用于特征空間的一個局部，為產(chǎn)生稀疏表示提供堅實的基礎(chǔ)。實驗驗證了非線性表示可以顯著提高表示的性能。
　　本文通過前兩點的工作，提供了一種快速建立高性能稀疏表示的完整方案，對于當前大規(guī)模圖像檢索的系統(tǒng)瓶頸問題給出了有效

9、的改進，保證大規(guī)模圖像檢索系統(tǒng)快速可以產(chǎn)生更高性能的高維稀疏表示。
　　本文的后兩點工作，從線性表示和非線性表示角度，對于視覺屬性和一般圖像中層表示問題進行了系統(tǒng)地研究。本文提出的快速產(chǎn)生線性表示的方法、產(chǎn)生高性能非線性表示的方案，為后續(xù)的視覺屬性和高性能中層表示研究提供了堅實的基礎(chǔ)。特別是本文最后給出的非線性中層表示，該方案容易得到稀疏表示，具有應(yīng)用到大規(guī)模圖像檢索系統(tǒng)中解決同類物體檢索問題的潛力。
　　本文的研究表明，從