本文關(guān)鍵詞：基于特征學(xué)習(xí)的多示例多標(biāo)記學(xué)習(xí)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)和多媒體技術(shù)的迅速發(fā)展,每天都有海量的數(shù)據(jù)產(chǎn)生,其中就包含著海量的圖像、文本等數(shù)據(jù),如何有效地利用和管理這類圖像、文本數(shù)據(jù),日益成為科研和商業(yè)需要解決的一個問題。對于這些海量的圖像、文本等數(shù)據(jù),數(shù)據(jù)呈現(xiàn)出給我們的不再是簡單的單一的內(nèi)容形式,現(xiàn)實(shí)生活中呈現(xiàn)出的更多是具有復(fù)雜內(nèi)容的多義性的樣本數(shù)據(jù),如何有效地處理這類多義性樣本數(shù)據(jù),是當(dāng)前科研的一個難點(diǎn)。在處理具有復(fù)雜內(nèi)容的多義性對象時,一種比較有效的處理方法是多示例多標(biāo)記學(xué)習(xí)方法。在這種方法下,用多示例的方法來表示樣本數(shù)據(jù)的復(fù)雜內(nèi)容,用多標(biāo)記的方法來表示樣本數(shù)據(jù)的多個語義,通過提取示例的特征,對特征和標(biāo)記之間建立模型,從而達(dá)到識別多語義樣本數(shù)據(jù)的目的。然而,在建立算法模型時,提取什么樣的特征,怎么來表示提取的特征,從根源上關(guān)系到多示例多標(biāo)學(xué)習(xí)方法的識別效果�；谶@一點(diǎn),本文根據(jù)現(xiàn)有的底層特征提取方法、中層語義特征提取方法、特征學(xué)習(xí)如深度學(xué)習(xí)技術(shù)等,將這些技術(shù)融入到多示例多標(biāo)記學(xué)習(xí)方法中,提出了一種通用的多示例多標(biāo)記學(xué)習(xí)框架模型。本文的主要研究內(nèi)容如下：(1)通過研究特征學(xué)習(xí)技術(shù)、多示例多標(biāo)記學(xué)習(xí)技術(shù)等,挖掘算法中的不足,在現(xiàn)有理論方法的基礎(chǔ)上,將特征學(xué)習(xí)技術(shù)融入到多示例多標(biāo)記學(xué)習(xí)中,提出了一種通用的多示例多標(biāo)記學(xué)習(xí)框架,該模型框架可以很好地改善現(xiàn)有多示例多標(biāo)記學(xué)習(xí)方法中的不足。(2)在通用模型框架的基礎(chǔ)上,提出了一種基于主題模型的多示例多標(biāo)記學(xué)習(xí)方法(CPNMIML),在該方法中,算法的特征學(xué)習(xí)模型采用的是概率潛在語義分析模型(PLSA),該特征學(xué)習(xí)模型是一種淺層的特征學(xué)習(xí)模型,其特征學(xué)習(xí)的能力有限,因此,基于卷積神經(jīng)網(wǎng)絡(luò)的多示例多標(biāo)記學(xué)習(xí)方法(CNNMIML)應(yīng)用而生,卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的一種模型,具備良好的特征學(xué)習(xí)能力。在多示例多標(biāo)記學(xué)習(xí)方法中,研究者已經(jīng)提出了很多算法,而MIMLBOOST和MIMLSVN是兩個比較典型的算法,因此,在進(jìn)行實(shí)驗(yàn)結(jié)果對比時,本文將提出的方法和MIMLBOOST和MIMLSVN這兩種方法分別進(jìn)行了比較,在基準(zhǔn)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),結(jié)果表明,本文提出的方法在性能上都比MIMLBOOST和MIMLSVN好。
【關(guān)鍵詞】：特征學(xué)習(xí) 多示例多標(biāo)記學(xué)習(xí) 主題模型 深度學(xué)習(xí) 人工神經(jīng)網(wǎng)絡(luò) 卷積神經(jīng)網(wǎng)絡(luò) 場景分類 文本分類
【學(xué)位授予單位】：廣西師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 緒論8-11
• 1.1 研究背景及意義8
• 1.2 當(dāng)前研究現(xiàn)狀8-10
• 1.3 文章主要內(nèi)容與結(jié)構(gòu)10-11
• 第2章 特征學(xué)習(xí)及多示例多標(biāo)記學(xué)習(xí)技術(shù)11-22
• 2.1 特征學(xué)習(xí)11-14
• 2.1.1 圖像底層特征11-14
• 2.2 多示例多標(biāo)記學(xué)習(xí)技術(shù)14-21
• 2.2.1 多標(biāo)記映射方法16-21
• 2.3 本章小結(jié)21-22
• 第3章 基于主題模型的多示例多標(biāo)記學(xué)習(xí)(CPNMIML)方法22-34
• 3.1 相關(guān)工作22-24
• 3.1.1 多示例學(xué)習(xí)方法22-23
• 3.1.2 多標(biāo)記學(xué)習(xí)方法23
• 3.1.3 多示例多標(biāo)記學(xué)習(xí)方法23-24
• 3.2 CPNMIML算法24-27
• 3.2.1 概率潛在語義分析24-25
• 3.2.2 神經(jīng)網(wǎng)絡(luò)25
• 3.2.3 算法流程25-27
• 3.3 實(shí)驗(yàn)結(jié)果與分析27-32
• 3.3.1 實(shí)驗(yàn)步驟27-29
• 3.3.2 實(shí)驗(yàn)結(jié)果29-32
• 3.4 本章小結(jié)32-34
• 第4章 基于卷積神經(jīng)網(wǎng)絡(luò)的多示例多標(biāo)記學(xué)習(xí)(CNNMIML)方法34-41
• 4.1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)34-36
• 4.1.1 卷積神經(jīng)網(wǎng)絡(luò)理論34-35
• 4.1.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)35
• 4.1.3 一種典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(LeNet-5)35-36
• 4.2 CNNMIML算法36-38
• 4.3 實(shí)驗(yàn)結(jié)果比較與分析38-40
• 4.4 本章小結(jié)40-41
• 第5章 總結(jié)與展望41-42
• 5.1 總結(jié)41
• 5.2 展望41-42
• 參考文獻(xiàn)42-45
• 攻讀碩士期間的科研成果45-46
• 致謝46-47

  本文關(guān)鍵詞：基于特征學(xué)習(xí)的多示例多標(biāo)記學(xué)習(xí)研究，，由筆耕文化傳播整理發(fā)布。

本文編號：280855