一种面向识别的无监督特征学习算法

计算机工程与科学

一种面向识别的无监督特征学习算法

夏海蛟1,2，谭毅华1,2

（1.华中科技大学自动化学院,湖北武汉 430074；2.多谱信息处理技术国家级重点实验室,湖北武汉 430074）

收稿日期:2016-09-19 修回日期:2016-12-20 出版日期:2018-06-25 发布日期:2018-06-25
基金资助:
国家自然科学基金（41371339）

A recognition-oriented unsupervised

feature learning algorithm

XIA Haijiao 1,2，TAN Yihua 1,2

（1.School of Automation,Huazhong University of Science and Technology,Wuhan 430074;

2.National Key Laboratory of Science and Technology on Multispectral Information Processing,Wuhan 430074,China）

Received:2016-09-19 Revised:2016-12-20 Online:2018-06-25 Published:2018-06-25

摘要/Abstract

摘要：

特征抽取是图像识别的关键环节，准确的特征表达能够产生更准确的分类效果。采用软阈值编码器和正交匹配追踪(OMP)算法正交化视觉词典的方法，以提高单级计算结构的识别率，并进一步构造两级计算结构，获取图像更准确的特征，以提高图像的识别率。实验表明，采用软阈值编码器和OMP算法能提高单级计算结构提取特征的能力，提高大样本数据集中图像的识别率。两级计算结构能够提高自选数据集中图像的识别率。采用OMP算法能提高VOC2012数据中图像的识别率。在自选数据集上，两级计算结构优于单级计算结构，与NIN结构相比表现出优势，与卷积神经网络CNN相当，说明两级计算结构在自选数据集上有很好的适应性。

关键词: 无监督学习, Kmeans, OMP, 编码器, 平均值池化, 空间金字塔池化

Abstract:

Feature extraction is a key part of image recognition, and precise feature expression can generate more accurate classification. We improve the recognition rate of the singlestage computational structure by adopting soft threshold encoder and the orthogonalizing visual dictionary of the orthogonal matching pursuit (OMP) algorithm. Besides, we build a twostage computational structure which extracts images’ features and increases the recognition rate. Experiments demonstrate that adopting softthreshold encoder and the OMP algorithm can increase the ability of extracting features of the singlestage computational structure and enhance imagerecognition rate in bigsample datasets. The twostage computational structure can improve recognition rate on selfselection datasets. The OMP algorithm can improve recognition rate of the VOC2012 dataset. For selfselection datasets, the twostage computational structure outperforms the singlestage computational structure and network in network (NIN), and is equivalent to convolutional neural networks (CNN), indicating that the twostage computational structure is adaptive to selfselection datasets.

Key words: unsupervised learning, K-means, OMP, encoder, average pooling, spatial pyramid pooling

夏海蛟1,2，谭毅华1,2. 一种面向识别的无监督特征学习算法[J]. 计算机工程与科学.

XIA Haijiao 1,2，TAN Yihua 1,2.

A recognition-oriented unsupervised

feature learning algorithm

[J]. Computer Engineering & Science.

[1]	柴旭清, 乔一航, 范黎林, . 一种基于随机森林分类器构建高性能应用程序性能分析模型的方法[J]. 计算机工程与科学, 2024, 46(07): 1218-1228.
[2]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[3]	赵金源, 贾迪. 改进YOLOv5的多人姿态估计修正算法[J]. 计算机工程与科学, 2024, 46(05): 852-860.
[4]	李新洁, 王文君, 董凌, 赖华, 余正涛, 高盛祥, . 基于多特征交互融合的老挝语无监督音素分割方法[J]. 计算机工程与科学, 2024, 46(05): 937-944.
[5]	王英, 陈文祺, 韩耀郴. 基于元学习和图滤波器的节点分类研究[J]. 计算机工程与科学, 2023, 45(12): 2274-2280.
[6]	印杰, 黄肖宇, 刘家银, 牛博威, 谢文伟, . 基于预训练语言模型的安卓恶意软件检测方法[J]. 计算机工程与科学, 2023, 45(08): 1433-1442.
[7]	赵瑞平, 降爱莲. 基于自编码器和局部嵌入的无监督特征选择[J]. 计算机工程与科学, 2023, 45(07): 1282-1291.
[8]	范韫. 基于EMD距离的稀疏自编码器[J]. 计算机工程与科学, 2022, 44(05): 894-900.
[9]	刘云, 郑文凤, 张轶. 代价约束算法对入侵检测特征提取的优化研究[J]. 计算机工程与科学, 2022, 44(03): 447-453.
[10]	李方, 吴国栋, 涂立静, 刘玉良, 查志康, 李景霞. 图自编码器推荐研究综述[J]. 计算机工程与科学, 2022, 44(02): 335-344.
[11]	谈恩民, 王晨. 基于表征学习的模拟电路故障诊断[J]. 计算机工程与科学, 2022, 44(01): 27-35.
[12]	孙宝贵, 车文刚, 廖江福, . 一种改进的KNN案例推理检索算法[J]. 计算机工程与科学, 2021, 43(12): 2263-2271.
[13]	孙庞博, 符琦, 陈安华, 蒋云霞. 基于组合预测模型的小样本轴承故障分类诊断 [J]. 计算机工程与科学, 2021, 43(09): 1684-1691.
[14]	方梦华, 姜添, . 基于无监督学习的无人机目标跟踪[J]. 计算机工程与科学, 2021, 43(06): 1024-1031.
[15]	蒋芸, 王发林, 张海. 基于集成分类型深度神经网络的视网膜眼底血管图像分割[J]. 计算机工程与科学, 2021, 43(05): 862-871.