隨著信息技術(shù)與多媒體技術(shù)迅速發(fā)展,圖像呈現(xiàn)指數(shù)級(jí)的增長,如何應(yīng)對(duì)這些圖像分類是個(gè)亟待解決的問題�，F(xiàn)實(shí)生活中,一幅圖像往往存在多義性,圖像分類是典型的多標(biāo)記問題。另外,在高風(fēng)險(xiǎn)領(lǐng)域,分類失敗將導(dǎo)致嚴(yán)重的后果。本文通過把卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）引入歸納一致性預(yù)測(cè)器學(xué)習(xí)框架（Inductive Conformal Predictor,ICP）,提出MLICP-CNN多標(biāo)記置信預(yù)測(cè)模型,能對(duì)輸出結(jié)果附帶可校準(zhǔn)的置信度評(píng)估。最后將MLICP-CNN模型應(yīng)用于X線胸片多標(biāo)記診斷問題中,構(gòu)建X線胸片置信診斷原型系統(tǒng)。總結(jié)來說,論文的主要研究內(nèi)容如下:（1）提出一種基于卷積神經(jīng)網(wǎng)絡(luò)與歸納一致性預(yù)測(cè)器的多標(biāo)記學(xué)習(xí)模型MLICP-CNN。該模型包括基于CNN的訓(xùn)練集推理規(guī)則抽取階段和基于ICP的多標(biāo)記置信預(yù)測(cè)階段,能充分利用CNN進(jìn)行樣本特征的自動(dòng)、多層次和多角度提取,又利用ICP具有置信機(jī)制和時(shí)間復(fù)雜度低特性,來解決多標(biāo)記圖像分類置信問題,使得預(yù)測(cè)結(jié)果能夠被置信度所校準(zhǔn)。（2）設(shè)計(jì)了符合MLICP-CNN學(xué)習(xí)框架的奇異值函數(shù),提出IO-MLICP... 

【文章來源】：華僑大學(xué)福建省

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
        1.1.1 多標(biāo)記圖像分類研究意義
        1.1.2 分類算法置信度評(píng)估的研究意義
        1.1.3 論文的研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 多標(biāo)記圖像分類研究現(xiàn)狀
        1.2.2 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀
        1.2.3 置信分類研究現(xiàn)狀
        1.2.4 多標(biāo)記一致性預(yù)測(cè)器研究現(xiàn)狀
    1.3 論文內(nèi)容和結(jié)構(gòu)安排
        1.3.1 論文主要工作和創(chuàng)新點(diǎn)
        1.3.2 各章節(jié)目錄安排
第2章 MLICP-CNN多標(biāo)記置信模型設(shè)計(jì)
    2.1 MLICP-CNN模型思想
        2.1.1 基于CNN深度學(xué)習(xí)的歸納推理
        2.1.2 基于ICP的多標(biāo)記置信預(yù)測(cè)
    2.2 MLICP-CNN算法框架
        2.2.1 基于CNN的訓(xùn)練集推理規(guī)則抽取階段
        2.2.2 基于ICP的置信預(yù)測(cè)階段
        2.2.3 MLICP-CNN的評(píng)價(jià)指標(biāo)
    2.3 本章小結(jié)
第3章 MLICP-CNN模型實(shí)現(xiàn)
    3.1 MLICP-CNN模型實(shí)現(xiàn)方案
        3.1.1 CNN方案設(shè)計(jì)
        3.1.2 ICP置信預(yù)測(cè)的方案設(shè)計(jì)
    3.2 IO-MLICP-CNN算法
        3.2.1 IO-MLICP-CNN奇異值度量函數(shù)設(shè)計(jì)
        3.2.2 IO-MLICP-CNN算法流程
    3.3 LS-MLICP-CNN算法
        3.3.1 LS-MLICP-CNN算法奇異值度量函數(shù)設(shè)計(jì)
        3.3.2 LS-MLICP-CNN算法流程
    3.4 實(shí)驗(yàn)驗(yàn)證
        3.4.1 實(shí)驗(yàn)設(shè)置
        3.4.2 預(yù)測(cè)可校準(zhǔn)性實(shí)驗(yàn)結(jié)果分析
        3.4.3 域預(yù)測(cè)效率實(shí)驗(yàn)結(jié)果分析
        3.4.4 點(diǎn)預(yù)測(cè)實(shí)驗(yàn)結(jié)果分析
    3.5 本章小結(jié)
第4章 基于MLICP-CNN模型的X線胸片診斷系統(tǒng)
    4.1 X線胸片診斷簡介
        4.1.1 x線胸片的多標(biāo)記診斷研究
        4.1.2 x線胸片肺炎可視化
    4.2 X線胸片置信診斷系統(tǒng)構(gòu)建
        4.2.1 系統(tǒng)需求分析
        4.2.2 X線胸片診斷系統(tǒng)功能設(shè)計(jì)
        4.2.3 系統(tǒng)應(yīng)用實(shí)現(xiàn)
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果



本文編號(hào)：3276893