Combinando randomização e discriminação para categorização de imagens detalhadas

Neste artigo, estudamos o problema da categorização de imagens detalhadas. O objetivo do nosso método é explorar estatísticas finas de imagens e identificar os fragmentos de imagem discriminativos para reconhecimento. Alcançamos esse objetivo combinando duas ideias: mineração de características discriminativas e randomização. A mineração de características discriminativas nos permite modelar as informações detalhadas que distinguem diferentes classes de imagens, enquanto a randomização nos permite lidar com o enorme espaço de características e previne o sobreajuste. Propomos um algoritmo de floresta aleatória com árvores de decisão discriminativas, onde cada nó da árvore é um classificador discriminativo que é treinado combinando as informações neste nó, bem como todos os nós anteriores. Nosso método é testado em conjuntos de dados de categorização subordinada e reconhecimento de atividade. Os resultados experimentais mostram que nosso método identifica informações visuais semanticamente significativas e supera algoritmos de ponta em vários conjuntos de dados.