图像物体分类与检测算法综述

被引：194

作者：

黄凯奇

任伟强

谭铁牛

机构：

[1] 中国科学院自动化研究所模式识别国家重点实验室智能感知与计算研究中心

来源：

计算机学报 | 2014年 / 37卷 / 06期

关键词：

物体分类; 物体检测; 计算机视觉; 特征表达; 结构学习;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

图像物体分类与检测是计算机视觉研究中的两个重要的基本问题,也是图像分割、物体跟踪、行为分析等其他高层视觉任务的基础.该文从物体分类与检测问题的基本定义出发,首先从实例、类别、语义三个层次对物体分类与检测研究中存在的困难与挑战进行了阐述.接下来,该文以物体检测和分类方面的典型数据库和国际视觉算法竞赛PASCAL VOC竞赛为主线对近年来物体分类与检测的发展脉络进行了梳理与总结,指出表达学习和结构学习在于物体分类与检测中占有重要的地位.最后文中对物体分类与检测的发展方向进行了思考和讨论,探讨了图像物体识别中下一步研究可能的方向.

引用

页码：1225 / 1240

页数：16

共 9 条

[1] 视觉认知计算模型综述 [J].

黄凯奇 ;

谭铁牛 .

模式识别与人工智能, 2013, 26 (10) :951-958

[2] From Images to Shape Models for Object Detection [J].

Ferrari, Vittorio ;

Jurie, Frederic ;

Schmid, Cordelia .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2010, 87 (03) :284-303

[3]

Local Features and Kernels for Classification of Texture and Object Categories: A Comprehensive Study[J] . J. Zhang,M. Marsza?ek,S. Lazebnik,C. Schmid.International Journal of Computer Vision . 2007 (2)

[4] Distinctive image features from scale-invariant keypoints [J].

Lowe, DG .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) :91-110

[5] Efficient graph-based image segmentation [J].

Felzenszwalb, PF ;

Huttenlocher, DP .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 59 (02) :167-181

[6]

Sparse coding with an overcomplete basis set: A strategy employed by V1?[J] . Bruno A. Olshausen,David J. Field.Vision Research . 1997 (23)

[7]

Auto-association by multilayer perceptrons and singular value decomposition[J] . H. Bourlard,Y. Kamp.Biological Cybernetics . 1988 (4)

[8]

Extracting and composing robust features with denoising autoencoders .2 Vincent P,Larochelle H,Bengio Y,et al. Proceedings ofthe 25th international conference on Machine learning . 2008

[9]

Learning multiple layers of features from tiny images .2 Krizhevsky,A. University ofToronto . 2009

← 1 →