刘 东，王生生

(1. 湘南学院 软件与通信工程学院，郴州 423300；2. 吉林大学 a.符号计算与知识工程教育部重点实验室; b.计算机科学与技术学院，长春 130012)

图像视觉特征提取与表达是图像检索与分类的关键步骤，同时也是计算机视觉领域的重要研究方向[1]。归纳总结视觉特征研究发展历程，可分为3个阶段：底层视觉特征提取、中间层特征表达，以及最近流行的深度学习方法。1)底层视觉特征提取主要针对图像形状、纹理、颜色等信息进行刻画，提取表征图像外观的视觉特征，如常用的尺度不变特征变换[2]、局部二值模式[3]等。底层视觉特征提取一般计算较简单，但单独使用时难以胜任复杂的计算机视觉任务。2)中间层特征表达是指对底层视觉特征进一步编码和统计，以挖掘更具判别能力的深层特征表示，如经典的视觉词袋模型(BoVW, bag-of-visual-words)[4]。中间层特征表达在一定程度上可以弥补底层视觉特征的缺陷。3)深度学习方法作为一种倍受关注的数据驱动方法，其不需要手工参与设计，直接以图像像素作为初始数据输入，经过多层网络结构，学习图像的潜在深层特征。以卷积神经网络(CNN, convolution neural network)[5]为代表的深度学习方法，发展出一系列高效的网络结构，如AlexNet[5]、VGGNet[6]、ResNet[7]等，被用在高光谱图像分类[8]、人体行为识别[9]与表情识别[10]等多个领域。CNN虽然在自然场景图像分类中取得巨大成功，但仍然存在一些缺陷，如依赖海量样本数据、可解释性较差、难以推理、较难描述和理解图像内容模式的含义等，这使得CNN在处理小样本和对语义特性要求较高的多目标图像时面临许多挑战。……