第2期 费宇杰，等：一种局部聚合描述符和组显著编码相结合的编码方法 177. 图8中，我们加人了原始的VLAD以便比较。 有一定的提升。当视觉字典的大小是128时，在15 从图中可以看到随着K的递增，SA_VLAD和GSC Scenes数据集上，VLAD的分类正确率是75.52± VLAD的分类正确率逐渐减小，只有在K较小时才 0.61%,SaC_VLAD的分类正确率是76.47±0.33%。 能达到比较高的分类正确率。这说明了并不是响应 在Core10数据集上，VLAD的分类正确率是87.36± 局部特征的视觉词汇越多越好，只有局部的软分配 1.28%,SaC_VLAD的分类正确率是89.12±1.11%。 才能有效地提升VLAD的分类正确率。 在UIUC数据集上，VLAD的分类正确率是80.67± 781 1.50%,SaC_VLAD的分类正确率是83.63±1.76%。 7 实验结果证明，在VLAD中加入显著性能提高原始 VLAD的分类正确率。 73 5结束语 71 本文提出的GSC_VLAD编码方法能对原始的 70 ……VLAD --GSC VLAD 69 VLAD在分类正确率上带来有效的提升，同时对比 16 32 64128 25652 视觉字典大小 Fisher编码也有一定的优越性。这种提升的原因 是：1)在VLAD中加入了局部的软分配，解决了原 (a)15 Scenes 始VLAD中硬分配难以准确描述局部特征向量与视 91 90 觉词汇隶属关系的问题：2)显著性编码考虑了不同 视觉词汇之间潜在的联系，对提升分类效果也起到 88 了一定的作用。 在实验的过程中，我们发现新的编码方法在图像 85 有噪声的情况下分类效果要好于原始的VLAD,但是 SCVLAD 正确率对比没有噪声时下降得很厉害，因此如何提升 16 32 64128256512 新的编码方法的鲁棒性将是未来的研究重点。 视觉字典大小 (b)Corel 10 参考文献： 84 [1]COLLINS R T,LIPTON A J,KANADE T,et al.A system for video surveillance and monitoring R].CMU-RITR-00- 12.Pittsburgh,Penn:Carnegie Mellon University,2000. [2]VAILAYA A,FIGUEIREDO M A T,JAIN A K,et al.Im- age classification for content-based indexing [J].IEEE transactions on image processing,2001,10(1):117-130. 79 …●VLAD --GSC VLAD [3]KOSALA R,BLOCKEEL H.Web mining research:a sur- 16 3264 128256512 vey[J].ACM SIGKDD explorations newsletter,2000,2 视觉字典大小 (1):1-15. (e)UIUC [4]JOACHIMS T.Text categorization with support vector ma- 图8显著性对实验结果的影响 chines:learning with many relevant features[C]//Proceed- Fig.8 The effect of saliency ings of the 10th European Conference on Machine Learning. 3.3显著性对结果的影响 Berlin Heidelberg:Springer,1998. 根据上面两节的介绍，我们发现GSC_VLAD的 [5]DANCE C,WILLAMOWSKI J,FAN Lixin,et al.Visual 分类效果要略好于SA_VLAD,我们认为这是显著性 categorization with bags of keypoints[C]//Proceedings of ECCV International Workshop on Statistical Learning in 带来的影响，因为显著性考虑了不同视觉词汇间的 Computer Vision.Prague,CZ,2004. 联系。为了排除软分配对实验结果的影响，我们用 [6]HUANG Yongzhen,WU Zifeng,WANG Liang,et al.Fea- 新的编码算法SaC_VLAD与VLAD编码进行比较。 ture coding in image classification:a comprehensive study 图7是视觉字典大小不同时，SaC_VLAD算法在3 [J.IEEE transactions on pattern analysis and machine in- 个数据集上的结果。 telligence,2014,36(3):493-506. 对比原始的VLAD,SaC VLAD对分类正确率 [7]VAN GEMERT J C,VEENMAN C J,SMEULDERS A W图 ８ 中，我们加入了原始的 ＶＬＡＤ 以便比较。 从图中可以看到随着 Ｋ 的递增，ＳＡ＿ＶＬＡＤ 和 ＧＳＣ＿ ＶＬＡＤ 的分类正确率逐渐减小，只有在 Ｋ 较小时才 能达到比较高的分类正确率。 这说明了并不是响应 局部特征的视觉词汇越多越好，只有局部的软分配 才能有效地提升 ＶＬＡＤ 的分类正确率。 （ａ） １５ Ｓｃｅｎｅｓ （ｂ）Ｃｏｒｅｌ １０ （ｃ）ＵＩＵＣ 图 ８ 显著性对实验结果的影响 Ｆｉｇ．８ Ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｓａｌｉｅｎｃｙ ３．３ 显著性对结果的影响 根据上面两节的介绍，我们发现 ＧＳＣ＿ＶＬＡＤ 的 分类效果要略好于 ＳＡ＿ＶＬＡＤ，我们认为这是显著性 带来的影响，因为显著性考虑了不同视觉词汇间的 联系。 为了排除软分配对实验结果的影响，我们用 新的编码算法 ＳａＣ＿ＶＬＡＤ 与 ＶＬＡＤ 编码进行比较。 图 ７ 是视觉字典大小不同时，ＳａＣ＿ＶＬＡＤ 算法在 ３ 个数据集上的结果。 对比原始的 ＶＬＡＤ，ＳａＣ＿ＶＬＡＤ 对分类正确率 有一定的提升。 当视觉字典的大小是 １２８ 时，在 １５ Ｓｃｅｎｅｓ 数据集上，ＶＬＡＤ 的分类正确率是 ７５． ５２ ± ０．６１％，ＳａＣ＿ＶＬＡＤ 的分类正确率是 ７６．４７±０．３３％。 在 Ｃｏｒｅ １０ 数据集上，ＶＬＡＤ 的分类正确率是 ８７．３６± １．２８％，ＳａＣ＿ＶＬＡＤ 的分类正确率是 ８９．１２±１．１１％。 在 ＵＩＵＣ 数据集上，ＶＬＡＤ 的分类正确率是 ８０．６７± １．５０％，ＳａＣ＿ＶＬＡＤ 的分类正确率是 ８３．６３±１．７６％。 实验结果证明，在 ＶＬＡＤ 中加入显著性能提高原始 ＶＬＡＤ 的分类正确率。 ５ 结束语 本文提出的 ＧＳＣ＿ＶＬＡＤ 编码方法能对原始的 ＶＬＡＤ 在分类正确率上带来有效的提升，同时对比 Ｆｉｓｈｅｒ 编码也有一定的优越性。 这种提升的原因 是：１）在 ＶＬＡＤ 中加入了局部的软分配，解决了原 始 ＶＬＡＤ 中硬分配难以准确描述局部特征向量与视 觉词汇隶属关系的问题；２）显著性编码考虑了不同 视觉词汇之间潜在的联系，对提升分类效果也起到 了一定的作用。 在实验的过程中，我们发现新的编码方法在图像 有噪声的情况下分类效果要好于原始的 ＶＬＡＤ，但是 正确率对比没有噪声时下降得很厉害，因此如何提升 新的编码方法的鲁棒性将是未来的研究重点。 参考文献： ［１］ＣＯＬＬＩＮＳ Ｒ Ｔ， ＬＩＰＴＯＮ Ａ Ｊ， ＫＡＮＡＤＥ Ｔ， ｅｔ ａｌ． Ａ ｓｙｓｔｅｍ ｆｏｒ ｖｉｄｅｏ ｓｕｒｖｅｉｌｌａｎｃｅ ａｎｄ ｍｏｎｉｔｏｒｉｎｇ［Ｒ］． ＣＭＵ⁃ＲＩＴＲ⁃００⁃ １２． Ｐｉｔｔｓｂｕｒｇｈ， Ｐｅｎｎ： Ｃａｒｎｅｇｉｅ Ｍｅｌｌｏｎ Ｕｎｉｖｅｒｓｉｔｙ， ２０００． ［２］ＶＡＩＬＡＹＡ Ａ， ＦＩＧＵＥＩＲＥＤＯ Ｍ Ａ Ｔ， ＪＡＩＮ Ａ Ｋ， ｅｔ ａｌ． Ｉｍ⁃ ａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒ ｃｏｎｔｅｎｔ⁃ｂａｓｅｄ ｉｎｄｅｘｉｎｇ ［ Ｊ ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ， ２００１， １０（１）： １１７－１３０． ［３］ＫＯＳＡＬＡ Ｒ， ＢＬＯＣＫＥＥＬ Ｈ． Ｗｅｂ ｍｉｎｉｎｇ ｒｅｓｅａｒｃｈ： ａ ｓｕｒ⁃ ｖｅｙ［ Ｊ］． ＡＣＭ ＳＩＧＫＤＤ ｅｘｐｌｏｒａｔｉｏｎｓ ｎｅｗｓｌｅｔｔｅｒ， ２０００， ２ （１）： １－１５． ［４］ ＪＯＡＣＨＩＭＳ Ｔ． Ｔｅｘｔ ｃａｔｅｇｏｒｉｚａｔｉｏｎ ｗｉｔｈ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａ⁃ ｃｈｉｎｅｓ： ｌｅａｒｎｉｎｇ ｗｉｔｈ ｍａｎｙ ｒｅｌｅｖａｎｔ ｆｅａｔｕｒｅｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄ⁃ ｉｎｇｓ ｏｆ ｔｈｅ １０ｔｈ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ． Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ： Ｓｐｒｉｎｇｅｒ， １９９８． ［５］ ＤＡＮＣＥ Ｃ， ＷＩＬＬＡＭＯＷＳＫＩ Ｊ， ＦＡＮ Ｌｉｘｉｎ， ｅｔ ａｌ． Ｖｉｓｕａｌ ｃａｔｅｇｏｒｉｚａｔｉｏｎ ｗｉｔｈ ｂａｇｓ ｏｆ ｋｅｙｐｏｉｎｔｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＥＣＣＶ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｓｔａｔｉｓｔｉｃａｌ Ｌｅａｒｎｉｎｇ ｉｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｐｒａｇｕｅ， ＣＺ， ２００４． ［６］ＨＵＡＮＧ Ｙｏｎｇｚｈｅｎ， ＷＵ Ｚｉｆｅｎｇ， ＷＡＮＧ Ｌｉａｎｇ， ｅｔ ａｌ． Ｆｅａ⁃ ｔｕｒｅ ｃｏｄｉｎｇ ｉｎ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ： ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｓｔｕｄｙ ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｐａｔｔｅｒｎ ａｎａｌｙｓｉｓ ａｎｄ ｍａｃｈｉｎｅ ｉｎ⁃ ｔｅｌｌｉｇｅｎｃｅ， ２０１４， ３６（３）： ４９３－５０６． ［７］ＶＡＮ ＧＥＭＥＲＴ Ｊ Ｃ， ＶＥＥＮＭＡＮ Ｃ Ｊ， ＳＭＥＵＬＤＥＲＳ Ａ Ｗ 第 ２ 期 费宇杰，等：一种局部聚合描述符和组显著编码相结合的编码方法 ·１７７·