基于局部不变特征的图像分类研究的任务书.docx

基于局部不变特征的图像分类研究的任务书
一、研究背景及意义
图片分类是计算机视觉领域经典的问题之一，在各个领域有很重要的应用，比如安防、医疗、自动驾驶等。在这些应用场景中，大量的基于视觉的感知数据需要被分析和处理，一般需要将其自动分类为不同的类别。
然而，图像的种类繁多，且不同的类别对应的图片数量也可能差别较大。因此，如何从大量的图像中自动分类进行处理是一个非常具有挑战性的问题。
近年来，基于卷积神经网络（CNN）的图像分类技术已取得了很大进展。但是，CNN只对输入的图像进行全局统计，而不考虑图像中的局部结构信息。为了更好地挖掘图像的局部结构信息，一些基于局部不变特征的图像分类算法也被提出。这种算法将图像看作由许多局部小块组成的，然后利用小块的特征对图像进行分类，并在分块上增加了更多的丰富性和鲁棒性，可以处理很多CNN不擅长处理的问题。
因此，本研究将着重研究基于局部不变特征的图像分类算法，以提高图像分类的准确性和鲁棒性。
二、研究内容和方案
2.1研究内容：
（1）学习传统的基于特征的图像分类方法，掌握图像分块、特征提取、分类器等关键技术。
（2）学习基于局部不变特征的图像分类算法，理解SIFT、SURF、ORB等算法的原理和应用场景，探讨不同算法优缺点。
（3）研究图像分类算法的并行实现技术，提高算法的效率和速度。
（4）通过图像数据集的实验，探究不同算法在图像分类中的性能表现。
2.2研究方案：
（1）收集常用的分类数据集（如MNIST、CIFAR10等），并使用常用的评价指标（如准确率、召回率、F1值等）进行评估。
（2）按照传统的基于特征的图像分类流程进行图像分块、特征提取和分类器搭建。
（3）对比实现不同的基于局部不变特征的图像分类算法（如SIFT、SURF、ORB等），探究其优缺点。
（4）研究以CNN为代表的深度学习方法与基于局部不变特征的图像分类算法的优劣和差异，得出结论。
（5）使用高性能计算平台加速上述算法，评估算法性能和效率，以及算法实现的可扩展性。
三、预期成果
（1）掌握基于特征的图像分类方法、基于局部不变特征的算法以及并行实现技术。
（2）对比分析不同图像分类算法的优缺点，从而得出基于局部不变特征的图像分类算法在某些情况下更具优势的结论。
（3）基于高性能计算平台，实现算法的并行优化，提高算法效率和速度。
（4）撰写研究报告和发表论文。
四、研究计划
时间工作计划
2021.10-2021.12学习图像分类算法原理和常用方法
2022.1-2022.3掌握基于局部不变特征的算法
2022.4-2022.6尝试实现并行分类算法
2022.7-2022.8对比和测试基于不同算法的分类准确率和效率
2022.9-2022.10撰写研究报告
2022.11-2022.12完善报告和发表论文
五、研究团队
本研究组由五名本科生组成，共同完成科研课题任务，分工合作，提高效率。其中，要求每个成员都有编程经验和深度学习基础知识。
六、参考文献
[1]Lowe,D.G.(2004).Distinctiveimagefeaturesfromscale-invariantkeypoints.Internationaljournalofcomputervision,60(2),91-110.
[2]Bay,H.,Ess,A.,Tuytelaars,T.,&VanGool,L.(2008).Speeded-uprobustfeatures(SURF).Computervisionandimageunderstanding,110(3),346-359.
[3]Rublee,E.,Rabaud,V.,Konolige,K.,&Bradski,G.(2011).ORB:AnefficientalternativetoSIFTorSURF.In2011Internationalconferenceoncomputervision(pp.2564-2571).
[4]Zhang,J.,Yu,Y.,&Shang,D.(2018).Asurveyonlocalfeatureextractionandmatchingmethodsforvisualobjectrecognition.JournalofComputerScienceandTechnology,33(3),389-409.
[5]Han,J.,Jiang,Q.,Zhang,H.,&Zheng,N.(2017).Acomprehensivesurveyoftheapplicationofdeeplearningtoautonomousdriving.IEEETransactionsonIntelligentTransportationSystems,19(12),3808-3