结构、句法和统计模式识别研讨会相关内容解读
在模式识别领域,相关的研究和交流活动对于推动技术的发展至关重要。S+SSPR 2010 研讨会就是这样一个具有重要意义的活动,它为统计和结构模式识别领域的研究者们提供了一个交流最新成果和思想的国际平台。
研讨会概况
S+SSPR 2010 研讨会由国际模式识别协会(IAPR)的技术委员会 TC1 和 TC2 组织,于 2010 年 8 月 18 - 20 日在土耳其伊兹密尔的切什梅举行,这里是爱琴海沿岸的一个海滨度假胜地。此次研讨会是 SPR 和 SSPR 研讨会第七次联合举办,并且在第 20 届国际模式识别会议(ICPR)于伊斯坦布尔举行的前几天召开。
研讨会共收到来自世界各地不同国家的 99 篇论文投稿,充分体现了其国际性。最终,本论文集收录了 70 篇接受的论文,其中 39 篇用于口头报告,31 篇用于海报展示。除了 SPR 和 SSPR 的并行口头会议外,还有两个对两个领域社区都感兴趣的联合口头会议。此外,为了增强研讨会的体验,还举办了关于“结构学习”和“聚类”的两个联合小组会议,在这些会议中,作者进行简短的报告后进行讨论。今年的另一个创新是通过 Videolectures 对会议进程进行拍摄。研讨会还邀请了四位杰出的演讲者进行报告,他们分别是来自伊利诺伊大学厄巴纳 - 香槟分校的 Narendra Ahuja、斯特拉斯克莱德大学的 Ernesto Estrada、三菱电机研究实验室的 Fatih Porikli 以及获得 2010 年 Pierre Devijver 奖的麦吉尔大学的 Luc Devroye。
组织架构
- 大会主席 :Edwin R. Hancock(英国约克大学计算机科学系),邮箱:erh@cs.york.ac.uk
- 联合主席 :Ilkay Ulusoy(土耳其中东技术大学电气与电子工程系),邮箱:ilkay@metu.edu.tr
- SSPR 项目主席 :Richard C. Wilson(英国约克大学计算机科学系),邮箱:wilson@cs.york.ac.uk
- SPR 项目主席 :Terry Windeatt(英国萨里大学电气与电子工程系),邮箱:T.Windeatt@surrey.ac.uk
- 宣传主席 :Francisco Escolano(西班牙阿利坎特大学计算机科学与人工智能系),邮箱:sco@dccia.ua.es
程序委员会成员
程序委员会汇聚了来自世界各地的众多专家,以下是部分成员:
|姓名|所属地区|
| ---- | ---- |
|Andrea Torsello|意大利|
|Bai Xiao|英国|
|Antonio Robles - Kelly|澳大利亚|
|Marcello Pelillo|意大利|
|Anand Rangarajan|美国|
|Gavin Brown|英国|
从基于区域的图像表示到对象发现与识别
在对象识别领域,基于区域的图像表示方法展现出了独特的优势。下面我们详细介绍这种方法的相关内容。
问题提出
假设我们有一组任意的、未标记的图像,其中频繁出现来自未知类别的 2D 对象。我们不知道这些对象是否以及在哪里出现在特定的图像中。我们的目标是从图像集中提取该类别的实例,并获得一个关于该类别在光度、几何和其他结构属性方面的紧凑模型。这个模型可以用于确定新的测试图像中是否包含所学类别的对象,并在包含时对对象进行分割。
基于区域方法的优势
与更常用的基于点和边缘特征的方法相比,基于区域的方法具有以下优势:
1.
便于获取重要对象属性
:
-
光度属性
:例如颜色、亮度。
-
几何属性
:例如大小、形状。
-
结构属性
:例如对象部分的布局和递归嵌入。
2.
允许同时进行检测和分割
:可以同时检测和分割目标对象及其部分。
3.
简化对象表示
:便于用作对象分类的统计模型。
4.
实现高效且鲁棒的对象模型学习和推理
:能够更有效地学习和推理对象模型。
5.
支持不同程度的监督下的对象建模
:包括无监督的情况。
方法步骤
该方法主要包括四个步骤,下面通过 mermaid 流程图展示其流程:
graph LR
A[图像集] --> B[图像分割与区域图表示]
B --> C[发现对象类别频繁出现]
C --> D[生成对象规范模型]
D --> E[新图像检测与分割]
- 图像分割与区域图表示 :使用多尺度分割算法对每个图像进行分割,然后用一个区域图来表示图像,该图捕获了图像区域之间的层次和邻接关系。图的节点对应于区域,上升 - 下降边捕获它们的递归嵌入,横向边表示与兄弟区域(即嵌入在同一父区域内的其他区域)的邻接关系,图的根表示整个图像。
- 发现对象类别频繁出现 :通过搜索图像中的相似子图像来发现对象类别的频繁出现。具体做法是匹配相应的区域图,找到它们的公共子图。最大匹配子图的集合被解释为发现的对象类别的实例。
- 生成对象规范模型 :将匹配的子图融合成一个单一的图 - 并集,该图 - 并集被视为发现对象的规范模型。图 - 并集被定义为包含步骤 2 中提取的每个子图的最小图。
- 新图像检测与分割 :将新遇到的图像也用区域图表示,然后将该区域图与步骤 3 中学习到的图 - 并集模型进行匹配,以同时检测和分割新图像中该类别的所有出现。这种匹配还可以识别对象部分及其包含和邻接关系,用于解释为什么每个对象被识别。
综上所述,基于区域的图像表示方法在对象识别领域具有显著的优势和应用价值,为解决对象识别相关问题提供了一种有效的途径。同时,S+SSPR 2010 研讨会也为模式识别领域的研究和发展提供了一个良好的交流平台,促进了该领域的不断进步。
结构、句法和统计模式识别研讨会相关内容解读(续)
研讨会中的其他研究方向
除了基于区域的图像表示到对象发现与识别这一重要研究方向外,S+SSPR 2010 研讨会还涵盖了众多其他有价值的研究内容,下面为大家详细介绍。
结构描述
- 图嵌入方法 :有研究提出了基于边的波核的图嵌入方法,如 Hewayda ElGhawalby 和 Edwin R. Hancock 的工作。还有基于节点属性代表和词图表示的图嵌入方法,像 Jaume Gibert 和 Ernest Valveny 的研究。这些方法旨在更好地将图结构进行嵌入,以便后续的分析和处理。
- 结构化学习方法 :例如 Haifeng Zhao、Jun Zhou 和 Antonio Robles - Kelly 提出的对属性图嵌入的结构化学习方法,为图的学习和表示提供了新的思路。
机器学习
- 树基最近邻搜索算法 :Eva Gómez - Ballester 等人研究了在树基最近邻搜索算法中结合消除规则,以提高搜索效率。
- 局部投影学习 :Kazuki Tsuji 等人进行了局部投影学习的研究,有助于更好地处理数据的局部特征。
- 高斯混合模型的贝叶斯学习 :Antonio Peñalver 等人提出了基于熵的变分方案用于高斯混合模型的快速贝叶斯学习,为混合模型的学习提供了新的方法。
结构学习
- 图量化学习 :Brijnesh J. Jain 等人开展了图量化学习的研究,对图的量化表示进行了深入探索。
- 基于 Reeb 图的 3D 对象识别特征选择 :Boyan Bonev 等人进行了基于 Reeb 图的高维光谱特征选择用于 3D 对象识别的研究,为 3D 对象识别提供了新的特征选择方法。
- 基于不相似性的多实例学习 :Lauge Sørensen 等人研究了基于不相似性的多实例学习,拓展了多实例学习的应用范围。
海报展示相关研究
- 图的代表比较 :Itziar Bardaji 等人比较了图集合的两种代表,即中位数图和重心图,为图的表示和分析提供了参考。
- 视觉信息对图像检索的影响 :Christophe Moulin 等人研究了视觉信息对基于文本和内容的图像检索的影响,有助于提高图像检索的准确性。
- 卫星图像交通监测 :Mehrad Eslami 等人利用人工免疫系统进行卫星图像的自动交通监测,为交通监测提供了新的技术手段。
几何方法与结构方法在视觉中的应用
几何方法
- 非欧几里得不相似性 :Robert P.W. Duin 和 El˙zbieta Pekalska 研究了非欧几里得不相似性的原因和信息性,为理解数据的不相似性提供了新的视角。
- 非参数混合模型聚类 :Pavan Kumar Mallapragada 等人进行了非参数混合模型用于聚类的研究,为聚类分析提供了新的模型。
结构方法在视觉中的应用
- 光谱解混的概率方法 :Cong Phuoc Huynh 和 Antonio Robles - Kelly 提出了光谱解混的概率方法,为光谱解混问题提供了新的解决方案。
- 多视图特征匹配的博弈论方法 :Emanuele Rodolà 等人采用博弈论方法来强制多视图特征匹配中的全局一致性,提高了特征匹配的准确性。
- 移动人员伪装错误恢复算法 :D. Conte 等人提出了用于恢复移动人员伪装错误的算法,在视觉处理中有一定的应用价值。
聚类相关研究
半监督聚类
Manuel Martín - Merino 研究了使用异构不相似性的半监督聚类,结合了半监督学习和不相似性的概念,为聚类问题提供了新的思路。
共识聚类验证
João M.M. Duarte 等人进行了共识聚类验证的研究,有助于评估聚类结果的可靠性。
成对概率聚类
Samuel Rota Bulò 等人研究了基于证据积累的成对概率聚类,为聚类分析提供了新的方法。
聚类集成技术性能探索
Xiaoyi Jiang 和 Daniel Abdala 探索了聚类集成技术的性能极限,为聚类集成技术的发展提供了参考。
轮廓分组聚类
Xue Bai 等人通过具有多特征相似性度量的聚类进行轮廓分组,在图像轮廓处理方面有一定的应用。
其他研究领域
基于不相似性的方法
- 核基和不相似性基特征空间比较 :Sang - Woon Kim 和 Robert P.W. Duin 对核基和不相似性基特征空间进行了实证比较,有助于选择合适的特征空间。
- 不相似性表示用于三维数据分类 :Diana Porro - Muñoz 等人研究了不相似性表示作为三维数据分类工具的应用,拓展了不相似性表示的应用范围。
- Ricci 流嵌入正则化 :Weiping Xu 等人对 Ricci 流嵌入进行正则化,提高了嵌入的效果。
- 球面嵌入和分类 :Richard C. Wilson 和 Edwin R. Hancock 研究了球面嵌入和分类,为分类问题提供了新的嵌入方法。
语言相关研究
- 多语言文档语言检测与跟踪 :Aleksander Stensby 等人研究了使用弱估计器在多语言文档中进行语言检测和跟踪,有助于处理多语言文本。
- 相似词序列核用于句子聚类 :Jesús Andrés - Ferrer 等人研究了相似词序列核用于句子聚类,为句子聚类提供了新的方法。
- 统计机器翻译的贝叶斯适应 :Germán Sanchis - Trilles 和 Francisco Casacuberta 进行了统计机器翻译的贝叶斯适应研究,提高了机器翻译的性能。
- 社交信号中统计对话特征的生成得分空间 :Anna Pesarin 等人研究了社交信号中统计对话特征的生成得分空间,为社交信号分析提供了新的方法。
多分类器相关研究
- 级联提升集成训练的模块化方法 :Teo Susnjak 等人提出了级联提升集成训练的模块化方法,为多分类器训练提供了新的策略。
- 基于秩边际最大化的分类器线性组合 :Claudio Marrocco 等人研究了基于秩边际最大化的分类器线性组合,提高了分类器的性能。
- 二分器组合以最大化 ROC 曲线下部分面积 :Maria Teresa Ricamato 和 Francesco Tortorella 研究了二分器组合以最大化 ROC 曲线下部分面积,为分类器组合提供了新的目标。
图相关研究
- Ihara 系数用于高阶学习 :Peng Ren 等人研究了 Ihara 系数作为高阶学习的灵活工具,拓展了图学习的方法。
- 图的团数新光谱界 :Samuel Rota Bulò 和 Marcello Pelillo 研究了图的团数的新光谱界,为图的团数分析提供了新的理论。
- 图域大样本统计 :Brijnesh J. Jain 和 Klaus Obermayer 进行了图域大样本统计的研究,为图数据的统计分析提供了新的方法。
统计模式识别相关研究
- 多维尺度显著性算法分析与纹理分类应用 :Pablo Suau 和 Francisco Escolano 分析了多维尺度显著性算法并将其应用于纹理分类,为纹理分类提供了新的算法。
- 交互式图像检索的平滑最近邻估计 :Miguel Arevalillo - Herráez 和 Francesc J. Ferri 研究了交互式图像检索的平滑最近邻估计,提高了图像检索的交互性。
- 多直方图描述符核融合用于鲁棒人脸识别 :Chi - Ho Chan 等人研究了多直方图描述符核融合用于鲁棒人脸识别,为人脸识别提供了新的特征融合方法。
光学字符识别(OCR)相关研究
- OCR 后处理的高效方法 :Rafael Llobet 等人提出了结合语言、假设和错误模型的高效 OCR 后处理方法,提高了 OCR 的准确性。
- OCR 任务中未知语言模型的拒绝阈值估计 :Joaquim Arlandis 等人研究了 OCR 任务中未知语言模型的拒绝阈值估计,为 OCR 任务的优化提供了方法。
- 基于快速双字符串中位数计算的 OCR 编辑方案 :José Ignacio Abreu Salas 和 Juan Ramón Rico - Juan 提出了基于快速双字符串中位数计算的 OCR 编辑方案,为 OCR 编辑提供了新的策略。
S+SSPR 2010 研讨会涵盖了模式识别领域的众多研究方向,这些研究成果为该领域的发展提供了丰富的理论和方法支持,推动了模式识别技术在各个领域的应用和发展。无论是基于区域的图像表示方法在对象识别中的应用,还是其他众多研究方向的探索,都为我们解决实际问题提供了更多的思路和工具。未来,随着研究的不断深入,模式识别领域有望取得更加丰硕的成果,为我们的生活和社会发展带来更多的便利和创新。
398



被折叠的 条评论
为什么被折叠?



