【摘要】：近年來,隨著大數(shù)據(jù)和人工智能的迅速發(fā)展,標記學習成為重點研究領(lǐng)域之一。其中,多示例多標記學習(Multi-Instance Multi-Label Learning,MIML)作為一種新型的學習范式,拓展了多示例學習(Multi-Instance Learning,MIL)和多標記學習(Multi-Label Learning,MLL)。MIML對于現(xiàn)實世界中許多復雜和模糊對象具有更好的表示能力,同時示例的表達方式也更加契合對象所存在的多義性。因此,MIML學習框架成為模式識別與標記學習重點研究課題之一,眾多學者提出了大量MIML分類算法,并在文本、圖像、音頻和生物信息等多領(lǐng)域數(shù)據(jù)分析處理中取得較大成功。本文將主要針對基于MIML框架進行多領(lǐng)域數(shù)據(jù)分類問題研究,通過對MIML的深入學習探究,實現(xiàn)對于MIML分類算法中退化策略算法、分類算法和端到端分類算法的改進,主要研究工作如下:(1)目前基于K-Medoids聚類退化MIML算法將各示例間視為相互獨立,退化過程可能造成較多的信息丟失,且K-Medoids聚類需聚類簇K的先驗知識,不同的K值對分類結(jié)果影響較大。針對該問題,提出了一種改進均值漂移算法的多示例多標記分類算法,通過帶有權(quán)值且為非參數(shù)聚類算法的均值漂移退化MIML,考慮示例間的相關(guān)性,盡可能減少退化過程信息的丟失。實驗進一步驗證了算法的有效性。(2)傳統(tǒng)神經(jīng)網(wǎng)絡算法需要較多的網(wǎng)絡參數(shù)設(shè)置,在求解最優(yōu)解時很有可能出現(xiàn)局部最優(yōu)解,而無法得到全局最優(yōu)解。而極限學習機(Extreme Learning Machine,ELM)是一種高效且具有優(yōu)化學習算法的單隱層前饋神經(jīng)網(wǎng)絡,求解時只需設(shè)置隱藏層節(jié)點數(shù),并隨機初始化權(quán)值和偏置就可求解出全局最優(yōu)解。但傳統(tǒng)ELM算法需設(shè)置隱藏層節(jié)點數(shù),并且需初始隨機權(quán)值和偏置,易受隨機值的影響導致計算結(jié)果并不穩(wěn)定,采用核ELM則可以解決這一問題。因此,提出將回歸核極限學習機作為基分類器的MIML分類算法,在保證分類精度的同時降低了分類的時間消耗。通過對比實驗表明了算法了可靠性。(3)近年來隨著計算機硬件的飛速發(fā)展,深度學習技術(shù)也得到了廣泛的應用。但目前基于卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks,CNN)的MIML分類算法多使用Softmax函數(shù)進行分類,但此函數(shù)將類與類之間視為互斥事件,并不符合MIML學習框架。因此,提出將CNN網(wǎng)絡中Softmax函數(shù)替換為ELM分類器,構(gòu)造出一種端到端的圖像分類算法。將所提CNN-ELM-MIML模型與原始CNN進行對比,表明所提算法的合理性。
【圖文】：

圖 1.1 多標記學習樣例 1其中，多標記學習[10]是將一個示例同時分配給多個標記，每個對象由一量和一組二元標記向量來表示。如圖 1.1 所示，在多標記學習中將一張圖個示例，通過特征提取構(gòu)成特征向量，同時將圖片中的“太陽”、“白云”和“喬治”等多個標記構(gòu)成標記向量。相比于單標記學習，多標記學習例表達方式更加契合現(xiàn)實世界對象的多義性，因此多標記學習成為模式記學習重點研究課題之一，并已成功應用于文本分類[28,29]、圖像識別學習[31]和情感分析[32,33]等領(lǐng)域。目前，在多標記學習問題中，諸多學者已研究并提出多種多標記學習算些方法大致可以分為兩類，即問題轉(zhuǎn)換法和算法適應法。其中問題轉(zhuǎn)換標記學習任務轉(zhuǎn)換為一個或者多個相應單標記學習任務，然后再通過傳學習方法進行處理，典型算法包括 BR[34]、LP[35]、PPT[36]和 RAkEL[37法適應法通過擴展特定單標記學習算法，修改其約束條件從而可以直接記學習任務，代表算法有 ML-KNN[38]、MLNB[39]、Rank-SVMRBF[41]和 ML-EKELM[42]等。而這些適應型算法就是將最近鄰（k-N

圖 1.2 多示例學習樣例 2多示例學習框架是由 Dietterich et al. [43]進行分子活性分析時提出的。而習可以看成是傳統(tǒng)單標記學習的一種演化，區(qū)別在于多示例中各數(shù)據(jù)用每個包中含有多個示例，且只有一個標記與該包相關(guān)聯(lián)，包中各示例均將整張圖片視為一個包，而圖片被切割成若干塊即為多個示例，整個圖包具有一個類別標記，但圖片中各塊示例則無類別標記。如圖 1.2 所示，成多個示例，，但各單獨示例并不擁有類別標記，而只有包具有類別標記豬佩奇”。因此，多示例學習能夠更好考慮對象中各元素之間的內(nèi)在關(guān)系分類任務中較單示例學習具有更好的效果。近年來，在多示例學習中，學者們相繼提出了多種學習算法。Foulds 和 Fra Amores[45]給出了多示例學習的綜述性分析，對于多示例學習中示例空間和嵌入空間等作出詳細介紹。Langone 和 Suykens[46]提出通過集體假和包信息結(jié)合進行聚合特征學習。Qiao et al. [47]為了將包級別的標記和的特征表示結(jié)合，提出多樣性字典來學習此類信息。為了解決大規(guī)模的，Wei et al. [48]提出了 miVLAD 和 miFV 兩種高效且可擴展的 MIL 算法
【學位授予單位】：安慶師范大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：C81

【相似文獻】

相關(guān)期刊論文 前10條

1 王延停;歸慶明;田新來;;基于均值漂移模型的抗差估計[J];大地測量與地球動力學;2014年06期

2 潘紅艷;;融合均值漂移和區(qū)域合并的彩色圖像分割方法[J];計算機工程與應用;2009年22期

3 姜忠民;趙建民;朱信忠;徐慧英;;基于均值漂移與卡爾曼預測相結(jié)合的視頻運動目標跟蹤算法[J];計算機時代;2010年02期

4 羅海勇;李錦濤;趙方;林以明;;基于均值漂移和聯(lián)合粒子濾波的移動節(jié)點定位算法[J];傳感技術(shù)學報;2009年03期

5 劉寶弟;王延江;馬海;王武禮;;基于均值漂移算法的人臉自適應跟蹤[J];中國石油大學學報(自然科學版);2007年04期

6 林路;數(shù)據(jù)刪除模型和均值漂移模型對嶺估計的影響[J];邵陽師專學報;1994年02期

7 孔輝;;基于自適應帶寬的均值漂移方法的高分辨率遙感影像分類[J];數(shù)字技術(shù)與應用;2018年07期

8 雷飛;趙曉霞;宮君樂;;基于均值漂移算法的水下視頻目標跟蹤[J];制造業(yè)自動化;2011年12期

9 左軍毅;趙春暉;梁彥;潘泉;張洪才;;一種具有跟蹤外觀變化目標能力的均值漂移算法[J];計算機科學;2007年10期

10 趙豪;蔡延光;;基于卡爾曼的均值漂移抗遮擋移動目標追蹤算法[J];電子世界;2018年08期

相關(guān)會議論文 前10條

1 沈佳潔;容茜;;基于均值漂移算法的高分辨率遙感圖像分割方法研究[A];全國測繪科技信息網(wǎng)中南分網(wǎng)第二十八次學術(shù)信息交流會論文集[C];2014年

2 宮軼松;歸慶明;李保利;張靈敏;;基于均值漂移的粒子濾波算法設(shè)計及其在導航數(shù)據(jù)處理中的應用[A];第二屆中國衛(wèi)星導航學術(shù)年會電子文集[C];2011年

3 翟勇;李洪海;苑麗偉;李青霞;路寬;蘇東亮;任興輝;張榮貴;;基于均值漂移聚類算法的數(shù)據(jù)清洗方法研究[A];第三屆智能電網(wǎng)會議論文集[C];2018年

4 郝元宏;朱元武;盧志剛;樊興;劉禎;支東升;;基于目標位置引導的快速部件檢測算法[A];第十屆全國信號和智能信息處理與應用學術(shù)會議專刊[C];2016年

5 金哲豪;劉安東;仇翔;俞立;;基于RGB-D傳感器的移動目標跟蹤算法設(shè)計[A];第37屆中國控制會議論文集（D）[C];2018年

6 任紹美;都云程;王濤;呂學強;;基于均值漂移的自適應視頻場景分割[A];2011年全國電子信息技術(shù)與應用學術(shù)會議論文集[C];2011年

7 方晶;劉雅琨;劉煜文;;一種無人水下系統(tǒng)對水面船舶探測方法[A];鰲山論壇“2019年水下無人系統(tǒng)技術(shù)高峰論壇”——水下無人系統(tǒng)智能技術(shù)會議論文集[C];2019年

8 李朋成;黃宗維;陳蘭康;;遙感圖像分割方法的研究[A];全國測繪科技信息網(wǎng)中南分網(wǎng)第三十次學術(shù)信息交流會論文集[C];2016年

9 曾安敏;張敏利;陳春旺;;重力數(shù)據(jù)的粗差剔除方法[A];《大地測量與地球動力學進展》論文集[C];2004年

10 王立琦;陳海云;燕小強;;一種改進的粒子濾波視頻跟蹤算法[A];第13屆中國系統(tǒng)仿真技術(shù)及其應用學術(shù)年會論文集[C];2011年

相關(guān)重要報紙文章 前1條

1 凌善康;六西格瑪：后ISO9000的新寵[N];中國國門時報;2003年

相關(guān)博士學位論文 前10條

1 賈倪;礦井視頻人員目標跟蹤與煤巖圖像識別方法研究[D];中國礦業(yè)大學(北京);2015年

2 王雷光;基于非模糊均值漂移的高空間分辨率遙感影像區(qū)域分割算法研究[D];武漢大學;2009年

3 劉冬生;基于神經(jīng)網(wǎng)絡方法的自相關(guān)過程控制研究[D];天津大學;2007年

4 王娟;復雜場景中的目標跟蹤優(yōu)化算法研究[D];燕山大學;2014年

5 孫鑫;運用先驗導向主動輪廓的目標跟蹤方法研究[D];哈爾濱工業(yè)大學;2015年

6 韓明;基于水平集表示和均值漂移的運動目標檢測與跟蹤研究[D];燕山大學;2015年

7 戴淵明;視頻序列圖像中目標跟蹤技術(shù)研究[D];浙江大學;2012年

8 夏瑜;視覺跟蹤新方法及其應用研究[D];江南大學;2013年

9 徐旭;復雜環(huán)境下的車輛目標跟蹤技術(shù)研究[D];吉林大學;2013年

10 蔣良衛(wèi);圖像序列中目標跟蹤技術(shù)研究[D];華中科技大學;2013年

相關(guān)碩士學位論文 前10條

1 裴根生;基于多示例多標記的多領(lǐng)域數(shù)據(jù)分類[D];安慶師范大學;2019年

2 包澄澄;基于光視覺的無人艇的目標檢測與跟蹤[D];哈爾濱工程大學;2019年

3 鄭凱凱;基于四通道不可分小波的均值漂移跟蹤[D];湖北大學;2018年

4 李成龍;基于非線性濾波和均值漂移的運動目標跟蹤方法研究[D];武漢理工大學;2017年

5 劉響;基于均值漂移和GrowCut的彩色圖像自動分割研究[D];江蘇大學;2018年

6 王香蓮;基于多特征融合的均值漂移視頻目標跟蹤算法研究[D];貴州大學;2018年

7 王晉麗;基于均值漂移的目標跟蹤算法的研究及應用[D];南京郵電大學;2015年

8 成偉;均值漂移算法在視頻目標跟蹤中的應用[D];重慶大學;2009年

9 程平;基于視頻信息的運動多車輛追蹤的量子均值漂移算法研究[D];廣東工業(yè)大學;2013年

10 鄭勇;基于聯(lián)合均值漂移的單幅圖像去霧算法研究及其硬件實現(xiàn)[D];西安電子科技大學;2014年

本文編號：2673618