[论文解读] Multi-Level Feature Descriptor for Robust Texture Classification via Locality-Constrained Collaborative Strategy

Shu Kong, Donghui Wang|arXiv (Cornell University)|Mar 2, 2012

Advanced Image and Video Retrieval Techniques参考文献 18被引用 4

一句话总结

本文提出一种具有局部约束协作表示（LC-CRC）的多层级特征描述子，用于实现鲁棒的纹理分类，通过灵活的空间划分和重叠模式，在训练样本较少的情况下也能生成可靠的特征池。该方法实现了最先进性能，在仅每类20张训练图像的UMD数据集上达到99.32%的准确率，优于多种现有方法。

ABSTRACT

This paper introduces a simple but highly efficient ensemble for robust texture classification, which can effectively deal with translation, scale and changes of significant viewpoint problems. The proposed method first inherits the spirit of spatial pyramid matching model (SPM), which is popular for encoding spatial distribution of local features, but in a flexible way, partitioning the original image into different levels and incorporating different overlapping patterns of each level. This flexible setup helps capture the informative features and produces sufficient local feature codes by some well-chosen aggregation statistics or pooling operations within each partitioned region, even when only a few sample images are available for training. Then each texture image is represented by several orderless feature codes and thereby all the training data form a reliable feature pond. Finally, to take full advantage of this feature pond, we develop a collaborative representation-based strategy with locality constraint (LC-CRC) for the final classification, and experimental results on three well-known public texture datasets demonstrate the proposed approach is very competitive and even outperforms several state-of-the-art methods. Particularly, when only a few samples of each category are available for training, our approach still achieves very high classification performance.

研究动机与目标

• 开发一种对尺度、平移、视角和旋转变化具有鲁棒性的纹理分类系统。
• 通过灵活的空间划分生成可靠的特征池，以应对训练样本有限的挑战。
• 用更高效且有效的基于协作表示的方法替代传统的SVM等分类器。
• 通过结合多层级空间金字塔匹配与池化操作，改进特征表示。
• 在保持低计算复杂度和极少超参数调优的前提下，实现高准确率。

提出的方法

• 该方法采用灵活的多尺度策略，将每张纹理图像划分为多个层级的重叠空间区域。
• 从每个划分区域中提取局部SIFT描述子，并通过聚合统计方法进行池化，生成无序的特征码。
• 这些特征码构成一个可靠的“特征池”，即使在数据稀疏的情况下也能聚合所有训练图像的信息。
• 提出一种局部约束协作表示分类器（LC-CRC），利用KNN从特征池中选择相关邻居。
• LC-CRC通过求解带有ℓ₂-范数正则化的最小二乘问题来表示测试图像，从而增强鲁棒性与效率。
• 该框架避免使用SRC中的ℓ₁-正则化，转而采用ℓ₂正则化，以实现更快、更稳定的拟合，同时结合局部性约束以提升速度。

实验结果

研究问题

• RQ1 灵活的多层级空间划分策略是否能在训练数据有限的情况下提升纹理特征表示？
• RQ2 具有局部约束的协作表示分类器与SVM或SRC等传统方法相比，在纹理分类中表现如何？
• RQ3 当结合多层级特征编码与LC-CRC时，单一描述子类型（SIFT）在多大程度上可实现最先进性能？
• RQ4 在显著的视角、尺度和光照变化下，该方法的泛化能力如何？
• RQ5 在每类仅少数训练样本的情况下，通过多层级池化形成的特征池是否仍能保持可靠性和判别力？

主要发现

• 在UMD纹理数据集上，该方法在每类仅20张训练图像的情况下达到99.32%的准确率，略高于最佳报告结果99.30%。
• 在极少数样本条件下，该方法仍具竞争力，其性能与以强少样本性能著称的Xia基于流形的方法相当。
• 在KTH-TIPS数据集上，该方法在每类10张训练图像的情况下实现了94.23%的平均准确率，表现出对相似纹理模式和尺度变化的鲁棒性。
• KTH-TIPS上的混淆矩阵显示，仅有9.86%的灯心草布料图像被误分类为棉布，表明其对视觉上相似纹理具有强大的判别能力。
• 在低样本条件下，该方法优于Liu的方法，并且随着训练数据增加，性能达到或超过其水平，证实了其可扩展性与鲁棒性。
• LC-CRC分类器表现出高效率，并对平移、尺度和视角变化具有不变性，验证了其在真实世界纹理分类中的设计优势。