研究目的
通过全面比较分析不同的特征提取与分类算法,解决社交媒体用户生成图像中不良事件(自然灾害)的识别问题,并证明不同特征提取与分类策略的融合能够优于单一方法。
研究成果
与全局特征相比,深度特征表现更优,基于Places数据集预训练的CNN模型优于ImageNet预训练模型。融合不同CNN模型是解决该问题的合理方案。未来工作可分析通过CNN模型底层提取的特征所训练分类器的性能,以优化纹理特征提取。
研究不足
某些灾害(如气旋)的图像可能缺乏特定纹理,因而难以识别或与其他图像区分。分类器的性能可能会受到数据集中图像质量和多样性的影响。
1:实验设计与方法选择:
该方法包括特征提取、分类和融合。特征提取采用全局特征和深度特征。分类使用多种算法,包括支持向量机(SVM)、K近邻(KNN)、朴素贝叶斯、决策树、随机森林和贝叶斯网络。采用后期融合技术整合不同分类器的得分。
2:样本选择与数据来源:
使用两个数据集,包括MediaEval 2017的基准数据集和涵盖八种不同自然灾害的自采数据集。
3:实验设备与材料清单:
使用LIRE开源库提取全局特征,Caffe工具箱处理AlexNet、VGGNet19和ResNet,Vlfeat Matcovnet处理GoogleNet。
4:实验流程与操作步骤:
通过全局和深度特征提取图像特征,使用不同算法分类,再采用后期融合技术进行融合。
5:数据分析方法:
基于分类算法的准确率和融合技术的有效性评估性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容