特征推理：解决语义鸿沟的有效途径

2023-06-28 理论教育版权反馈

【摘要】：与机器学习不同，特征推理作为解决“语义鸿沟”的另外一种途径，它是由一个或几个已知的判断（前提），推导出一个未知结论的思维过程。它不需要学习建模或者训练过程，而是实时、在线地根据已有的一些目标的特征、知识对要识别的目标进行推理和判断［10］。图1-4 通过特征推理进行图像目标识别的示例视觉认知的整体性和层次性决定了整体特征和局部特征的存在，推理往往基于不同尺度的特征进行归纳、演绎，完成推导过程。

机器学习往往通过对样本的学习建立初始模型，采用相似性聚类或决策树等方法对个体进行预测或描述。与机器学习不同，特征推理作为解决“语义鸿沟”的另外一种途径，它是由一个或几个已知的判断（前提），推导出一个未知结论的思维过程。它不需要学习建模或者训练过程，而是实时、在线地根据已有的一些目标的特征、知识对要识别的目标进行推理和判断^［10］。例如，在视频或连续图像中进行运动目标检测，如果我们能识别出当前场景是一条马路，并且知道轮船只能在水上行驶，就可以推断出马路上发现的运动目标一定不是轮船。

图1-4 通过特征推理进行图像目标识别的示例(来源：李波，2011年)

视觉认知的整体性和层次性决定了整体特征和局部特征的存在，推理往往基于不同尺度的特征进行归纳、演绎，完成推导过程。如图1-4所示，在基于多源卫星影像的目标识别系统中，首先在粗尺度上提取特征，对于多光谱和合成孔径雷达影像，根据光谱或散射特性把影像分割为水体、陆地、人工建筑、植被等，根据目标的环境特性给出目标可能出现的区域，缩小目标搜索范围；进而对多光谱、全色和遥感影像提取纹理、形状、边缘等特征，综合整体特征、局部特征和知识库，在机场潜在区域搜索飞机，通过面向对象的推理实现飞机的识别。

特征推理：解决语义鸿沟的有效途径

相关推荐