以主题建模为指导的语义聚类,以提高基于CNN的图像分类,使用尺度不变特征转换和块格博过
Natthaphong Suthamno1, Jessada Tanthanuch1
1School of Mathematical Sciences and Geoinformatics, Institute of Science, Suranaree University of Technology, Nakhon Ratchasima 30000, Thailand.
Journal of imaging
|February 26, 2026
概括
这项研究通过使用主题建模来增强图像分类,在训练卷积神经网络 (CNN) 之前从语义上分组图像. 与标准方法相比,这种方法显著提高了分类准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 卷积神经网络 (CNN) 在图像分类方面非常强大.
- 传统的CNN培训可以从纳入语义信息中受益.
- 图像数据通常具有固有的语义结构,可以被利用.
研究的目的:
- 提出一个主题建模指导框架,以提高CNN图像分类.
- 在CNN培训之前引入语义聚类.
- 评估不同特征提取和主题建模策略的有效性.
主要方法:
- 图像使用尺度不变特征转换 (SIFT) 或块格博过 (BGF) 处理特征描述符.
- K-意味着聚类和词汇袋组图来构建视觉词汇库和表示图像.
- 潜在的迪里克莱特分配 (LDA) 用于主题建模和语义聚类.
- 培训特定集群的CNN模型 (亚历克斯网,googlenet,resnet变体).
- 主题导向的整合策略:最大比例主题 (MPT) 和权重比例主题 (WPT).
主要成果:
- 基于SIFT和基于BGF的管道都超过了非集群CNN和基线方法.
- 使用MPT策略,SIFT管道实现了95.24%的峰值精度.
- 根据WPT策略,BGF管道的准确性达到93.76%.
- 通过主题建模进行语义聚类显著提高了CNN分类性能.
结论:
- 主题建模引导的语义聚类是增强CNN图像分类的有效方法.
- 拟议的框架比传统方法提供了实质性的改进.
- 特定特征提取和主题整合策略产生了不同但更好的结果.