Adaptive Merkmalsauswahl für heterogene Bilddatenbanken

Die diskriminative Klassifikation basierend auf verschiedenen visuellen Merkmalen ist zu einer Standardtechnik für Aufgaben der Bilderkennung in heterogenen Datenbanken geworden. Das dabei auftretende Problem ist jedoch die Wahl der relevantesten Merkmale, abhängig vom Inhalt der betrachteten Bilddatenbank. Zu diesem Zweck werden Merkmalsauswahlmethoden verwendet, um den Einfluss der Ausreißermerkmale zu beseitigen. Daher ermöglichen sie eine Reduzierung der Kosten für die Merkmalsgewinnung und verbessern die Klassifikationsgenauigkeit. In diesem Papier schlagen wir eine originale Merkmalsauswahlmethode vor, die wir Adaptive Feature Selection (AFS) nennen. Die vorgeschlagene Methode kombiniert Filter- und Wrapper-Ansätze. Aus einem extrahierten Merkmalsatz stellt AFS ein multiples Lernen von Klassifikatoren der Support Vector Machines (SVM) sicher. Basierend auf der Fisher-Linearen Diskriminierung (FLD) entfernt sie dann redundant und irrelevant Merkmale automatisch, abhängig von deren entsprechender Diskriminierungskraft. Mit einer großen Anzahl von Merkmalen werden umfassende Experimente an der heterogenen COREL-Bilddatenbank durchgeführt. Ein Vergleich mit bestehenden Auswahlmethoden wird ebenfalls bereitgestellt. Die Ergebnisse beweisen die Effizienz und Robustheit der vorgeschlagenen AFS-Methode.