隨著計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,在日常生活和科研工作中往往需要處理越來越繁多的圖像信息,如圖像檢索、人臉識(shí)別、自然場(chǎng)景檢測(cè)等。如何快速有效的找出圖像的信息,提取圖像的特征,提高圖像的匹配精度成為了目前研究的重點(diǎn)。另一方面,標(biāo)記學(xué)習(xí)的相關(guān)研究在近年來也取得了很大的進(jìn)展,在圖像識(shí)別方面有著廣泛的應(yīng)用。通過標(biāo)記圖像來定義圖像信息,然后選擇合適的機(jī)器學(xué)習(xí)的方法對(duì)圖像進(jìn)行檢索,識(shí)別和分類�；诖�,本文主要做了以下方面的一些研究。在標(biāo)記學(xué)習(xí)方面主要研究的是標(biāo)記分布學(xué)習(xí)的知識(shí)。作為一種新型的學(xué)習(xí)范式,標(biāo)記分布學(xué)習(xí)能反映出樣本中相關(guān)標(biāo)記對(duì)于整個(gè)樣本的重要程度,相對(duì)于傳統(tǒng)標(biāo)記學(xué)習(xí)更具廣泛適用性。由于目前標(biāo)記分布數(shù)據(jù)集的樣本特征數(shù)目較少,導(dǎo)致了一些標(biāo)記學(xué)習(xí)算法準(zhǔn)確度不高。針對(duì)這一問題,提出了一種基于Gradient Boost Decision Tree（簡(jiǎn)稱GBDT）的標(biāo)記分布學(xué)習(xí)算法（GBDT-LDL）。該算法主要過程是利用GBDT對(duì)樣本特征進(jìn)行學(xué)習(xí)與變換,將變換后得到的新特征與原始特征歸一化處理,將混合的特征建立GBDT-LDL模型對(duì)未知標(biāo)記分布進(jìn)行預(yù)測(cè)。為檢驗(yàn)該算法的預(yù)測(cè)能力,利用六項(xiàng)標(biāo)記分布學(xué)... 

【文章來源】：安慶師范大學(xué)安徽省

【文章頁(yè)數(shù)】：38 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

GBDT-LDL算法流程圖

(e) Cosine (f) Intersection圖 3. 2 五種標(biāo)記分布學(xué)習(xí)算法的 Nemenyi 檢驗(yàn) CD 圖本章的實(shí)驗(yàn)采用了五種標(biāo)記分布學(xué)習(xí)算法進(jìn)行相互比較，將這五種標(biāo)記分布學(xué)習(xí)所預(yù)測(cè)的標(biāo)記分布和數(shù)據(jù)集的真實(shí)標(biāo)記分布通過六項(xiàng)評(píng)價(jià)指標(biāo)進(jìn)行度量，實(shí)驗(yàn)的具果如表 3.2 到表 3.7 所示。表 3.2 到表 3.5 代表了實(shí)驗(yàn)的距離度量，數(shù)值是越小越理想 3.6 和表 3.7 代表的是實(shí)驗(yàn)的相似度度量，數(shù)值越大越理想,對(duì)比出的最好結(jié)果以加示。圖 3.2 表示這 5 種算法在以 0.05 顯著性水平下的 Nemenyi 檢驗(yàn)結(jié)果，是按照.2 到表 3.7 的數(shù)據(jù)結(jié)果以算法平均排名建立坐標(biāo)軸，每個(gè)子圖的橫坐標(biāo)軸從左至右的效果依次降低，其中有些算法之間通過一條直線相連，表示相連算法的效果對(duì)比顯著性的差異。將圖 3.2 假設(shè)檢驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)分析，每個(gè)算法相對(duì)于其他算法有 24 種比較結(jié)果得出：① GBDT-LDL 算法在大部分評(píng)價(jià)指標(biāo)上性能較優(yōu)，在 37.5%的統(tǒng)計(jì)下與其他算顯著性差異。其中圖 3.2(a)顯示，在 Chebyshev 距離指標(biāo)上，GBDT-LDL、AA-KN

圖像匹配判斷結(jié)果圖

【參考文獻(xiàn)】：
期刊論文
[1]遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股指研究[J]. 謝夢(mèng)蝶,秦江濤.  軟件導(dǎo)刊. 2019(04)
[2]面向高維特征和多分類的分布式梯度提升樹[J]. 江佳偉,符芳誠(chéng),邵鎣俠,崔斌.  軟件學(xué)報(bào). 2019(03)
[3]基于大數(shù)據(jù)的圖像檢索關(guān)鍵技術(shù)[J]. 陳娜,肖愛萍,鄭剛.  中國(guó)建材科技. 2019(01)
[4]決策樹算法的容錯(cuò)性研究及其應(yīng)用[J]. 萬偉,張紅艷.  中國(guó)新通信. 2019(04)
[5]基于改進(jìn)網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J]. 劉小生,章治邦.  江西理工大學(xué)學(xué)報(bào). 2019(01)
[6]基于余弦相似度的加權(quán)K近鄰室內(nèi)定位算法[J]. 黃運(yùn)穩(wěn),陳光,葉建芳.  計(jì)算機(jī)應(yīng)用與軟件. 2019(02)
[7]基于圖像的課堂考勤系統(tǒng)開發(fā)[J]. 朱曉蒙,符云琴.  湖北農(nóng)業(yè)科學(xué). 2019(03)
[8]基于CART決策樹的HEVC幀間CU快速劃分算法[J]. 唐浩漾,王婧,孫梓巍,段一偉.  西安郵電大學(xué)學(xué)報(bào). 2019(01)
[9]基于CNN的人臉識(shí)別門禁系統(tǒng)設(shè)計(jì)[J]. 陳奎,邢雪妍,田欣沅,王吉豪,王順.  徐州工程學(xué)院學(xué)報(bào)(自然科學(xué)版). 2018(04)
[10]基于核極限學(xué)習(xí)機(jī)的標(biāo)記分布學(xué)習(xí)[J]. 王一賓,田文泉,程玉勝,裴根生.  計(jì)算機(jī)工程與應(yīng)用. 2018(24)

碩士論文
[1]基于多維度特征融合和GBDT增強(qiáng)分類的列車制動(dòng)系統(tǒng)故障診斷[D]. 張猛.北京交通大學(xué) 2018
[2]基于BP神經(jīng)網(wǎng)絡(luò)的圖像檢索算法研究[D]. 趙昕.西安科技大學(xué) 2018
[3]基于多示例多標(biāo)記學(xué)習(xí)的圖像分類[D]. 閔婕.武漢科技大學(xué) 2018
[4]多標(biāo)記學(xué)習(xí)算法研究及其在圖像語義理解中的應(yīng)用[D]. 王曉瑩.北京交通大學(xué) 2018
[5]基于空間信息和遷移學(xué)習(xí)的圖像多標(biāo)記算法研究[D]. 周家琪.山東師范大學(xué) 2017
[6]基于改進(jìn)標(biāo)記分布學(xué)習(xí)算法的人臉年齡估計(jì)[D]. 邢超.東南大學(xué) 2017
[7]基于神經(jīng)網(wǎng)絡(luò)的圖像情感分類技術(shù)研究[D]. 孫明.南開大學(xué) 2017
[8]基于HOG特征提取的車輛檢測(cè)方法研究[D]. 劉家旭.華北電力大學(xué) 2017
[9]標(biāo)記分布在人臉圖像屬性識(shí)別上的應(yīng)用[D]. 周穎.東南大學(xué) 2016
[10]基于特征學(xué)習(xí)與相似度度量學(xué)習(xí)的人臉確認(rèn)研究[D]. 程煒.湘潭大學(xué) 2016



本文編號(hào)：3448791