Resumen

La clasificación de escenas es un problema difícil en las aplicaciones de visión por ordenador y puede utilizarse para modelar y analizar un sistema especialmente complejo, la comunidad de internet. El PACT espacial (Principal component Analysis of Census Transform histograms) es una representación prometedora para reconocer instancias y categorías de escenas. Sin embargo, como el PACT espacial original se limita a concatenar los histogramas compactos de transformadas censales de todos los niveles, todos los niveles tienen la misma contribución, lo que ignora la diferencia entre los distintos niveles. Para mejorar este punto, proponemos un método de máquina kernel multinivel adaptativa para la clasificación de escenas. En primer lugar, calcula un conjunto de kernels básicos en cada nivel. En segundo lugar, se emplea un eficaz esquema de aprendizaje de pesos adaptativo para encontrar los pesos óptimos para fusionar de la mejor manera posible todos estos kernels básicos. Por último, se utiliza una máquina de vectores soporte con el núcleo óptimo para clasificar las escenas. Los experimentos realizados en dos populares conjuntos de datos de referencia demuestran que el método de máquina de kernel multinivel adaptativo propuesto supera al PACT espacial original. Además, el método propuesto es sencillo y fácil de aplicar.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:método de máquina kernel multinivel adaptativa, pacto espacial original, clasificación de escenas, esquema de aprendizaje de pesos adaptativo eficaz, histogramas de transformación censal, análisis de componentes principales, aplicaciones de visión por ordenador, conjuntos de datos de referencia populares, sistema complejo especial, máquina de vectores soporte
• Keywords:adaptive multilevel kernel machine method, original spatial pact, scene classification, effective adaptive weight learning scheme, census transform histograms, principal component analysis, computer vision applications, popular benchmark datasets, special complex system, support vector machine