本文關(guān)鍵詞：基于多示例學(xué)習(xí)的圖像分類研究

  更多相關(guān)文章： 圖像分類 支持向量機(jī) 多示例學(xué)習(xí) 多示例多標(biāo)簽學(xué)習(xí) 特征選擇

【摘要】：多示例學(xué)習(xí)是為了解決復(fù)雜的實(shí)際問(wèn)題而提出的一種新的機(jī)器學(xué)習(xí)框架,作為應(yīng)對(duì)多重語(yǔ)義特性的有效途徑,可應(yīng)用到圖像分類問(wèn)題中。多示例多標(biāo)簽學(xué)習(xí)可以看作是多示例學(xué)習(xí)與多標(biāo)簽學(xué)習(xí)的結(jié)合。與多示例學(xué)習(xí)和多標(biāo)簽學(xué)習(xí)相比,多示例多標(biāo)簽學(xué)習(xí)框架對(duì)事物的描述更為全面,為解決多類分類問(wèn)題開辟了新的思路,對(duì)圖像分類與識(shí)別具有重要的科學(xué)意義和實(shí)際應(yīng)用價(jià)值。本文主要研究將多示例多標(biāo)簽學(xué)習(xí)應(yīng)用到圖像分類,并擴(kuò)展到文本分類、音頻分類。(1)介紹了支持向量機(jī)的相關(guān)理論和相關(guān)模型,分析研究了多示例學(xué)習(xí)框架和三類經(jīng)典的多示例學(xué)習(xí)算法,以及多示例多標(biāo)簽學(xué)習(xí)的概念和框架,并探討了多示例多標(biāo)簽學(xué)習(xí)的兩種經(jīng)典分類算法。(2)分析研究了多示例學(xué)習(xí)中包內(nèi)示例相關(guān)性特征的表示方法和多核學(xué)習(xí)算法,并將示例的相關(guān)關(guān)系特征引入到多示例多標(biāo)簽學(xué)習(xí)中,將多核學(xué)習(xí)引入到分類器的構(gòu)造中,提出了一種基于多核融合的多示例多標(biāo)簽學(xué)習(xí)算法。通過(guò)在場(chǎng)景圖像數(shù)據(jù)集、文本數(shù)據(jù)集以及音頻數(shù)據(jù)集上仿真,驗(yàn)證了該算法在解決分類問(wèn)題上的有效性。(3)探討了基于2,1l范數(shù)約束的特征選擇方法,并將其引入到多示例多標(biāo)簽學(xué)習(xí)中,用于剔除包內(nèi)對(duì)標(biāo)簽預(yù)測(cè)產(chǎn)生干擾的示例,并選擇出代表性示例。同時(shí)為了兼顧標(biāo)簽之間的相關(guān)關(guān)系特征,構(gòu)建基于標(biāo)簽之間相關(guān)關(guān)系特征的分類器,提出了一種基于特征選擇的多示例多標(biāo)簽學(xué)習(xí)算法。
【關(guān)鍵詞】：圖像分類 支持向量機(jī) 多示例學(xué)習(xí) 多示例多標(biāo)簽學(xué)習(xí) 特征選擇
【學(xué)位授予單位】：魯東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 圖像分類的研究背景及意義10-13
• 1.2 多示例學(xué)習(xí)的研究現(xiàn)狀13-15
• 1.3 本文的研究工作及組織15-16
• 1.3.1 主要工作15
• 1.3.2 論文的組織安排15-16
• 第2章 支持向量機(jī)16-24
• 2.1 統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)16-17
• 2.1.1 VC維概念16
• 2.1.2 結(jié)構(gòu)風(fēng)險(xiǎn)最小化16-17
• 2.2 線性支持向量機(jī)17-21
• 2.2.1 線性可分支持向量機(jī)17-20
• 2.2.2 廣義線性支持向量機(jī)20-21
• 2.3 非線性支持向量機(jī)21-23
• 2.3.1 非線性支持向量機(jī)21-22
• 2.3.2 核函數(shù)22-23
• 2.4 本章小結(jié)23-24
• 第3章 多示例學(xué)習(xí)24-36
• 3.1 概述24-25
• 3.2 多示例學(xué)習(xí)算法25-29
• 3.2.1 軸平行矩形算法26-27
• 3.2.2 多樣性密度算法27-28
• 3.2.3 基于SVM的多示例學(xué)習(xí)算法28-29
• 3.3 多示例多標(biāo)簽學(xué)習(xí)框架及算法29-35
• 3.3.1 多示例多標(biāo)簽學(xué)習(xí)框架29-31
• 3.3.2 MIMLBOOST算法31-33
• 3.3.3 MIMLSVM算法33-34
• 3.3.4 性能評(píng)價(jià)指標(biāo)34-35
• 3.4 本章小結(jié)35-36
• 第4章 基于多核融合的多示例多標(biāo)簽學(xué)習(xí)算法36-56
• 4.1 引言36-38
• 4.2 基于示例相關(guān)性的多示例學(xué)習(xí)38-42
• 4.2.1 MIGraph算法39-41
• 4.2.2 mi Graph算法41-42
• 4.3 多核學(xué)習(xí)算法42-48
• 4.3.1 多核學(xué)習(xí)概述43-44
• 4.3.2 Simple MKL算法44-48
• 4.4 基于多核融合的多示例多標(biāo)簽學(xué)習(xí)算法48-50
• 4.4.1 包內(nèi)示例相關(guān)關(guān)系的建模48-49
• 4.4.2 多核融合49-50
• 4.5 實(shí)驗(yàn)結(jié)果與分析50-54
• 4.5.1 實(shí)驗(yàn)數(shù)據(jù)集及評(píng)價(jià)標(biāo)準(zhǔn)50-51
• 4.5.2 實(shí)驗(yàn)結(jié)果及分析51-54
• 4.6 本章小結(jié)54-56
• 第5章 基于特征選擇的多示例多標(biāo)簽學(xué)習(xí)算法56-68
• 5.1 概述56-57
• 5.2 嵌入示例選擇的多示例學(xué)習(xí)(MILES)算法57-60
• 5.2.1 基于示例的包特征映射58-59
• 5.2.2 基于l_1范數(shù)的SVM分類器訓(xùn)練59-60
• 5.3 基于特征選擇的多示例多標(biāo)簽學(xué)習(xí)算法60-65
• 5.3.1 基于示例空間的特征映射60-61
• 5.3.2 1_(2,1)范數(shù)61
• 5.3.3 基于1_(2,1)范數(shù)的特征選擇方法61-62
• 5.3.4 優(yōu)化問(wèn)題求解62-64
• 5.3.5 基于標(biāo)簽相關(guān)性的標(biāo)簽預(yù)測(cè)分類器64-65
• 5.4 實(shí)驗(yàn)結(jié)果與分析65-67
• 5.5 本章小結(jié)67-68
• 第6章 總結(jié)與展望68-71
• 6.1 本文工作68-69
• 6.2 工作展望69-71
• 參考文獻(xiàn)71-79
• 致謝79-80
• 攻讀碩士學(xué)位期間取得的科研成果80

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前6條

1 陳彤彤;丁昕苗;柳嬋娟;鄒海林;周樹森;劉影;;一種基于示例非獨(dú)立同分布的多示例多標(biāo)簽分類算法[J];計(jì)算機(jī)科學(xué);2016年02期

2 甘睿;印鑒;;通過(guò)挖掘示例中的概念來(lái)解決多示例學(xué)習(xí)問(wèn)題[J];計(jì)算機(jī)研究與發(fā)展;2011年S3期

3 張敏靈,周志華;基于神經(jīng)網(wǎng)絡(luò)的多示例回歸算法[J];軟件學(xué)報(bào);2003年07期

4 郭景峰,米浦波,劉國(guó)華;決策樹算法的并行性研究[J];計(jì)算機(jī)工程;2002年08期

5 黃祥林,沈蘭蓀;基于內(nèi)容的圖像檢索技術(shù)研究[J];電子學(xué)報(bào);2002年07期

6 王惠鋒 ,孫正興 ,王箭;語(yǔ)義圖像檢索研究進(jìn)展[J];計(jì)算機(jī)研究與發(fā)展;2002年05期

，

本文編號(hào)：522051