题目：基于判别性信息增强的图像分类研究

    数字图像的理解是当今计算机视觉研究领域的难点及热点问题，而图像分类则是图像理解中重要的一个领域。同时，随着近几年图像的爆炸式增长，图像分类技术已经慢慢渗透到人们日常生活的方方面面中，因此对图像分类技术的探索具有十分深远的价值和意义。在图像分类中，底层视觉特征的描述与人的高层感知存在着一定的语义鸿沟。而在这个问题中，增加图像的判别性是提高图像分类性能的一个重要的策略。从增加图像判别性的角度出发，本论文主要从以下两个角度出发，提高图像分类的准确率。

    在特征汇聚阶段，本论文设计了一种基于类别信息的特征汇聚模型。传统的特征汇聚方法是以图像为单位进行的，而忽略同类别的图像的相似信息，该信息可以有效的提高特征汇聚效果。基于此，本文设计了一种新的特征汇聚模型，该模型可以区分图像相对于不同类别的判别性强和弱的区域，从而对这两个区域分别进行汇聚，增加图像的特征表示的判别性。该汇聚方法可以同其它汇聚模型（如空间金字塔模型）很好的结合在一起，从而提高最后地分类准确率。

    在分类阶段，本论文构造了一种边缘核函数用于分类。核函数用于描述图像特征表示的相似程度，一般结合分类器（如支持向量机SVM）进行图像分类。本文构造了一种新的核函数，把逻辑回归与传统的边缘核函数结合起来。不同于传统的核函数（如线性核、高斯核等），该核函数有效地把类别信息结合到核函数的表达式中，因而在特征相似度计算时考虑进了图像到类别的距离。具体来说，该核的表达形式体现了特征向量与分类面的相对位置关系。该方法提高了特征向量在相似度计算时的判性别，从而提高分类效果。

    以上两个方面是图像分类流程中的两个关键的步骤，本论文就上述两个方面在多个现有数据集上进行实验。结果表明，本文在最终的分类准确率取得了较好的效果。