题目：基于增量学习的结构化部件模型在图像目标分类中的应用

近年来，随着图像数据的爆炸式增长，图像目标分类技术日益广泛的被应用到人们的日常生活中，因此对图像分类的研究具有十分重要的价值和意义。传统的图像目标分类方法往往需要大量的标注样本进行训练，这就增加了算法本身对数据量的要求。本文围绕上述难点问题，进行了大量的研究和探讨，提出了一种基于增量学习的结构化部件模型，并将其应用到图像目标分类中。本算法克服了训练过程对样本的数量和标注要求，在分类识别中体现了较好的性能。主要研究贡献可归纳如下：首先，提出了一种可用于前景特征分离的快速特征筛选算法。由于与分类关系不大的特征和过大的特征规模都会影响分类器的准确率和时间效率，传统的方法通常将前景特征框选后进行训练，但这种做法大大增加了人为干预的复杂度。本文提出一种新型的快速特征筛选算法，并分别从相似度图构造、特征权重更新两个方面做出了设计。该算法能够筛选出具有判决能力的前景特征，从而在训练阶段避免了人为标注的情形。其次，构造了一种结构化的部件模型。该模型不仅能够体现目标的局部语义信息，还考虑到目标各个部件的全局关系，从而增强了模型所能表示的目标信息量。模型的部件部分通过多特征结合的方法进行表示，有效避免了某种单一特征对该类目标的不适性，从而提高了局部部件表示的正确性。而结构化的方法从目标整体角度反映部件之间的几何结构关系，提供了目标分类的新信息。最后，实现了一种可用于模型更新的增量学习方法。考虑到传统的分类方法往往需要大量训练样本对模型进行学习，这就增加了对训练样本的要求。再加上分类目标经常存在较大的类内差异，一次训练的结果无法反应出这种变化。针对以上缺点，本文提出一种基于迭代思想的增量学习方法，可在分类过程中对分类结果进行分析和利用，从而训练出更加优化的分类模型。本文针对以上三方面内容，分别做了大量相关实验进行了验证。结果表明，本文算法在分类准确率、时间效率和抗变化能力等方面都取得了较好的结果。