...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Image Processing, IET >New non-negative sparse feature learning approach for content-based image retrieval
【24h】

New non-negative sparse feature learning approach for content-based image retrieval

机译：基于内容的图像检索的新的非负稀疏特征学习方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

One key issue in content-based image retrieval is to extract effective features so as to represent the visual content of an image. In this study, a new non-negative sparse feature learning approach to produce a holistic image representation based on low-level local features is presented. Specifically, a modified spectral clustering method is introduced to learn a non-negative visual dictionary from local features of training images. A non-negative sparse feature encoding method termed non-negative locality-constrained linear coding (NNLLC) is proposed to improve the popular locality-constrained linear coding method so as to obtain more meaningful and interpretable sparse codes for feature representation. Moreover, a new feature pooling strategy named kMaxSum pooling is proposed to alleviate the information loss of the sum pooling or max pooling strategy, which produces a more effective holistic image representation and can be viewed as a generalisation of the sum and max pooling strategies. The retrieval results carried out on two public image databases demonstrate the effectiveness of the proposed approach.
机译：基于内容的图像检索中的一个关键问题是提取有效特征，以表示图像的视觉内容。在这项研究中，提出了一种新的非负稀疏特征学习方法，该方法可基于低级局部特征生成整体图像表示。具体来说，引入了一种改进的光谱聚类方法，以从训练图像的局部特征中学习非负视觉词典。提出了一种非负稀疏特征编码方法，称为非负局部约束线性编码（NNLLC），以改进流行的局域约束线性编码方法，从而获得更有意义和可解释的稀疏代码用于特征表示。此外，提出了一种称为kMaxSum池的新特征池策略，以减轻和池或最大池策略的信息丢失，从而产生更有效的整体图像表示，并且可以看作是对和池和最大池策略的概括。在两个公共图像数据库上进行的检索结果证明了该方法的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号