Luận văn Thạc sĩ Khoa học máy tính: Phân loại ảnh dựa trên hướng tiếp cận Kernel

Trong đề tài này, tác giả đề xuất kernel mới, đặt tên là Hierarchical Spatial Matching Kernel (HSMK) và áp dụng cho bài toán phân loại ảnh. HSMK là mô hình cải tiến từ mô hình Spatial Pyramid Maching (SPM), nhưng thay vì sử dụng mô hình Bag-of-Feature (BoF) để mô hình cho các vùng con (subregions), HSMK sử dụng mô hình thô mịn (coarse to fine – C2F) cho các vùng con mà được hiện thực hóa bằng phương pháp multiresolution (tạm dịch nhiều loại phân giải),... Mời các bạn cùng tham khảo.
Nội dung trích xuất từ tài liệu:
Luận văn Thạc sĩ Khoa học máy tính: Phân loại ảnh dựa trên hướng tiếp cận Kernel ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN LÊ THANH TÂMPHÂN LOẠI ẢNH DỰA TRÊN HƯỚNG TIẾP CẬN KERNEL LUẬN VĂN THẠC SĨ NGÀNH KHOA HỌC MÁY TÍNH Thành phố Hồ Chí Minh - 2011 ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN LÊ THANH TÂMPHÂN LOẠI ẢNH DỰA TRÊN HƯỚNG TIẾP CẬN KERNELNgành: KHOA HỌC MÁY TÍNHMã số: 60.48.01 LUẬN VĂN THẠC SĨ (Chuyên ngành Tin học) NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS. TS. NGUYỄN ĐÌNH THÚC TS. TRẦN THÁI SƠN Thành phố Hồ Chí Minh - 2011 1 LỜI CẢM ƠN Trước tiên, tôi xin chân thành cảm ơn PGS.TS. Nguyễn Đình Thúc và TS. TrầnThái Sơn đã hướng dẫn tận tình cho tôi trong suốt thời gian thực hiện luận văn. Tôi xin cảm ơn GS. Akihiro Sugimoto (National Institute of Informatics, Tokyo,Japan) và TS. Yousun Kang (National Institute of Informatics, Tokyo, Japan) đã chỉdẫn và cho tôi những góp ý quý báu về nội dung luận văn trong thời gian thực tập 6tháng ở Viện Tin học Quốc gia Nhật Bản (National Institute of Informatics, Tokyo,Japan). Tôi xin cảm ơn GS. Seiichi Mita (Toyota Technological Institutue, Nagoya,Japan) đã tận tình hỗ trợ, hướng dẫn và giúp tôi có những kinh nghiệm thực tiễntrong quá trình thực tập 3 tháng ở Học viện Kỹ thuật Toyota, Nagoya, Nhật Bản(Toyota Technological Institute, Nagoya, Japan). Tôi xin cảm ơn GS. D. McAllister (Toyota Technological Institute, Chicago,USA) và GS. L. El Ghaoui (University of California, Bekerley, USA) đã tận tìnhgiảng dạy cho tôi những nền tảng cơ bản về máy học, tối ưu và thị giác máy tính. Tôi xin cảm ơn ThS. Trần Lê Hồng Dũ và nghiên cứu sinh M. Kloft (Universityof California, Bekerley, USA) đã trao đổi, thảo luận và truyền đạt những kinhnghiệm quý báu trong quá trình thực nghiệm đề tài. Tôi cũng xin gởi lời cảm ơn quý thầy cô, anh chị và bạn bè trong khoa Côngnghệ thông tin, Trường Đại Học Khoa Học Tự Nhiên TP.HCM, những người đãgiúp đỡ cũng như cung cấp cho tôi những kiến thức, kinh nghiệm. Con xin cảm ơn ba mẹ và gia đình luôn yêu thương, hỗ trợ con trong suốt thờigian học tập, giúp con có thêm tự tin để thực hiện tốt công việc. Xin chân thành cảm ơn! Người thực hiện Lê Thanh Tâm 2 MỤC LỤCLỜI CẢM ƠN .............................................................................................................1MỤC LỤC ...................................................................................................................2Danh mục các kí hiệu và chữ viết tắt ..........................................................................5Danh mục các bảng .....................................................................................................6Danh mục các hình vẽ, đồ thị ......................................................................................7MỞ ĐẦU .....................................................................................................................8Chương 1 Giới thiệu ................................................................................................9 1.1 Mục tiêu ..................................................................................................9 1.2 Đóng góp của luận văn ...........................................................................9 1.2.1 Xây dựng kernel cho thuật toán SVM .............................................9 1.2.2 Áp dụng kernel xây dựng cho bài toán phân loại ảnh....................10 1.3 Các đóng góp khác liên quan ................................................................11 1.4 Cấu trúc của luận văn............................................................................11Chương 2 Thuật toán phân lớp dựa trên SVM ......................................................13 2.1 Học với một kernel – Support Vector Machine (SVM) .......................13 2.1.1 Thuật toán phân lớp SVM ..............................................................13 2.1.2 Kernel trong thuật toán phân lớp SVM ..........................................15 2.1.2.1 Đo độ tương đồng sử dụng kernel .............................................15 2.1.2.2 Kernel xác định dương (Positive Definite Kernel) ...................16 2.1.2.3 Xây dựng không gian tái sinh kernel Hibert (Reproducting Kernel Hibert Space – RKHS) ......................................................................17 2.2 Học với nhiều kernel – Multiple Kernel Learning (MKL) ...................19 2.2.1 SILP ...............................................................................................20 3 2.2.2 SimpleMKL ...................................................................................22Chương 3 Phương pháp kernel ..............................................................................24 3.1 Mô hình túi đặc trưng (Bag-of-feature model – BoF) ..........................25 3.2 Các cải tiến của mô hình BoF ...............................................................26 3.3 Phương pháp biểu diễn thưa (Sparse Coding) .................................. ...