基于分层基因优选多特征融合的图像材质属性标注
图像材质属性标注在电商平台、机器人视觉、工业检测等领域都具有广阔的应用前景.准确利用特征间的互补性及分类模型的决策能力是提升标注性能的关键.提出分层基因优选多特征融合(Stratified gene selection multi-feature fusion,SGSMFF)算法:提取图像传统及深度学习特征;采用分类模型计算特征预估概率;改进有效区域基因优选(Effective range based gene selection,ERGS)算法,并在其中融入分层先验信息(Stratified priori information,SPI),逐层、动态地为预估概率计算ERGS权重;池化预估概率并做ERGS加权,实现多特征融合.在MattrSet和Fabric两个数据集上完成实验,结果表明:SGSMFF算法中可加入任意分类模型,并实现多特征融合;平均值池化方法、分层先验信息所提供的难分样本信息、“S+G+L”及“S+V”特征组合等均有助于改善材质属性标注性能.在上述两个数据集上,SGSMFF算法的精准度较最强基线分别提升18.70%、15.60%.
材质属性标注、分层基因优选、多特征融合、预估概率、分层先验信息、难分样本信息
46
国家自然科学基金;教育部人文社会科学研究一般项目;江西省自然科学基金;江西省科技厅重点研发计划;江西省教育厅科学技术研究项目
2020-11-24(万方平台首次上网日期,不代表论文的发表时间)
共23页
2191-2213