Loading...

Localized Multiple Kernel Learning for Image Classification

Zamani, Fatemeh | 2018

2332 Viewed
  1. Type of Document: Ph.D. Dissertation
  2. Language: Farsi
  3. Document No: 51408 (19)
  4. University: Sharif University of Technology
  5. Department: Computer Engineering
  6. Advisor(s): Jamzad, Mansour
  7. Abstract:
  8. It is not possible to compute a linear classifier to classify real world images, which are the focus of this thesis. Therefore, the space of such images is considered as a complex. In such cases, kernel trick in which data samples are implicitly mapped to a higher dimension space, leads to a more accurate classifier in such spaces. In kernel learning methods, the best kernel is trained for the classification problem in hand. Multiple Kernel Learning is a framework which uses weighted sum of multiple kernels. This framework achieves good accuracy in image classification since it allows describing images via various features. In the image input space which is composed of different extracted feature vectors there are images from the same class which are dissimilar (intra class variance) and there are images from different classes which are similar (inter class relationship). In the Multiple Kernel Learning framework, fixed weights are computed for each kernel which is not appropriate to classify images because of the mentioned complexities. The goal of this thesis is to present a kernel learning based approach to classify images by computing localized weights for kernels. Due to the power of SVM in data classification, an algorithm is designed based on SVM in which variable weights for kernels are computed based on the gating functions. Moreover, because of the successfulness of Sparse Representation based Classifier (SRC), a new version of SRC is proposed based on multiple kernels. In the proposed algorithm, a multiple kernel dictionary is trained. To this end, kernel weights are embedded as new variables to the goal function of sparse representation optimization problem. The convexity of the sub-problem which is composed to compute kernel weights is proved. To evaluate the proposed algorithms, after extracting SPM histograms which describe images, some experiments are conducted on the two challenging image datasets, Caltech 101 and Flower 17. The results demonstrate high performance of the proposed algorithms comparing to the state of the art
  9. Keywords:
  10. Images Classification ; Dictionary Learning ; Multiple Kernel Learning ; Lecalized Kernel Weighing ; Sparse Representation Based Classifier ; Feature Fusion

 Digital Object List

 Bookmark

  • مقدمه
  • مروری بر پژوهش‌های پیشین
    • یادگیری هسته
    • یادگیری چند هسته‌ای
      • مروری بر الگوریتم‌های یادگیری چند هسته‌ای با وزن ثابت
        • حل مسئله یادگیری چند هسته‌ای در قالب یک مسئله محدب مربعی
        • حل مسئله یادگیری چند هسته‌ای در قالب یک مسئله برنامه ریزی خطی
        • حل مسئله یادگیری چند هسته‌ای با روش کاهش گرادیان
        • حل مسئله یادگیری چند هسته‌ای با استفاده از Group Lasso
        • یادگیری چند هسته‌ای با ترکیب هسته‌ها با نرم lp
        • یادگیری چند هسته‌ای با در نظر گرفتن گروه‌های هسته‌ای
        • دسته‌بندی روش‌های حل مسئله‌های یادگیری چند هسته‌ای
      • ترکیب خطی و وزن‌دار هسته‌ها با وزن ثابت با روش‌های متفرقه
    • یادگیری چند هسته‌ای با وزن‌های وابسته به مکان
    • SRC مبتنی بر هسته
    • SRC در فضای چند هسته‌ای
    • جمع‌بندی
  • یادگیری چند هسته‌ای با وزن‌های وابسته به مکان تابعی
    • تعریف هسته
    • معرفی ماشین بردار پشتیبان
    • معرفی چارچوب یادگیری چند هسته‌ای
    • یادگیری چند هسته‌ای با وزن دهی بر اساس تابع
      • محاسبه پارامترها
    • الگوریتم پیشنهادی یادگیری چند هسته‌ای با وزن‌های وابسته به مکان تابعی در فضای حاصل از تلفیق چند ویژگی
    • آزمایشهای انجام شده
      • ویژگی‌های استخراج شده از مجموعه تصاویر Caltech
      • توصیف محلی تصاویر بر مبنای روش SPM
      • آزمایش بر روی مجموعه تصاویر Caltech 101
      • آزمایش بر روی مجموعه تصاویر Caltech 256
    • جمع‌بندی
  • یادگیری چند هسته‌ای با وزن‌های وابسته به هر اتم در فضای تنک
    • نمایش تنک یک سیگنال
    • معرفی الگوریتم SRC
    • یادگیری دیکشنری
    • الگوریتم پیشنهادی یادگیری چند هسته‌ای با قابلیت یادگیری دیکشنری در فضای ضرایب تنک
      • مرحله آموزش
        • مرحله اول : محاسبه ماتریس ضرایب تنک با فرض ثابت بودن وزن هسته‌ ها
        • مرحله دوم : محاسبه وزن هسته‌ها با فرض ثابت بودن ماتریس ضرایب تنک‌
      • مرحله آزمایش
    • آزمایشهای انجام شده
      • ویژگی‌های استخراج شده از مجموعه تصاویر Flower 17
      • آزمایش بر روی مجموعه تصاویر Caltech 101
      • آزمایش بر روی مجموعه تصاویر Flower 17
    • جمع‌بندی
  • نتیجه گیری
    • بررسی امکان پردازش موازی برای آموزش مدل‌ها
    • بررسی همگرایی الگوریتم‌های طراحی شده
    • بررسی زمان و حافظه مصرفی در مرحله آموزش
    • راهکارهای آینده
  • معرفی مجموعه تصاویر
...see more