本文選題：手持物體識別 + 增量學(xué)習(xí)�。� 參考：《山東科技大學(xué)》2017年碩士論文

【摘要】：在人類生活中,根據(jù)環(huán)境變化不斷學(xué)習(xí)新知識是一個(gè)重要的過程。對于智能交互系統(tǒng)來說,這就要求其具有通過交互自我學(xué)習(xí)的能力。另一方面,在人類感知、學(xué)習(xí)的過程中,不斷把新知識融合進(jìn)已學(xué)到的舊知識中也是一個(gè)重要的過程。實(shí)際上,在當(dāng)前領(lǐng)域,知識關(guān)聯(lián)和視覺識別還未得到十分有效的結(jié)合。對于智能交互系統(tǒng)來說,一個(gè)自動學(xué)習(xí)新知識并系統(tǒng)組織舊知識的學(xué)習(xí)機(jī)制具有重要意義。在人機(jī)交互的過程中,手持物體進(jìn)行交互是一個(gè)常見并且直觀的方式,所以手持物體識別是人機(jī)交互領(lǐng)域一個(gè)非常值得研究的任務(wù)。本文的研究就基于手持物體識別系統(tǒng)。本文提出了一個(gè)基于支撐向量機(jī)的混合增量學(xué)習(xí)算法。該算法可以通過添加新的分界面來學(xué)習(xí)新類別,通過調(diào)整已學(xué)分界面學(xué)習(xí)舊類別的新實(shí)例。此外,本文還給出了一個(gè)適用于智能交互系統(tǒng)的學(xué)習(xí)框架,在自動學(xué)習(xí)新知識的同時(shí),也利用知識圖譜系統(tǒng)有效的組織已學(xué)到的視覺概念�；旌显隽繉W(xué)習(xí)算法通過學(xué)習(xí)舊類別的新實(shí)例來增強(qiáng)知識圖譜已有節(jié)點(diǎn)的識別能力,通過學(xué)習(xí)新類別為知識圖譜增加新的節(jié)點(diǎn)和關(guān)系�；旌显隽繉W(xué)習(xí)算法使得新知識可以通過知識圖譜中的節(jié)點(diǎn)和關(guān)系進(jìn)行傳播,使相關(guān)聯(lián)的其他分類器也可以同時(shí)學(xué)習(xí)傳遞過來的新知識,形成一個(gè)漣漪效應(yīng)。本文在兩個(gè)不同的數(shù)據(jù)集上驗(yàn)證了算法和框架的有效性,實(shí)驗(yàn)證明該算法能夠在已有模型的基礎(chǔ)上繼續(xù)學(xué)習(xí),提升分類性能;同時(shí)該框架能夠使已學(xué)知識相互關(guān)聯(lián),使學(xué)習(xí)過程更加全面有效。
[Abstract]:In human life, it is an important process to learn new knowledge according to the change of environment. For intelligent interactive systems, this requires their ability to learn through interaction. On the other hand, in the process of human perception and learning, it is also an important process to integrate new knowledge into the old knowledge. In fact, in the current field, knowledge association and visual recognition have not been very effective combination. For intelligent interactive systems, it is of great significance to automatically learn new knowledge and organize old knowledge. In the process of human-computer interaction, handheld object interaction is a common and intuitive way, so handheld object recognition is a very worthy task in the field of human-computer interaction. The research of this paper is based on the handheld object recognition system. This paper presents a hybrid incremental learning algorithm based on support vector machine (SVM). The algorithm can learn new categories by adding new sub-interfaces, and learn new instances of old categories by adjusting the credit interface. In addition, this paper presents a learning framework for intelligent interactive systems, which not only automatically learns new knowledge, but also uses the knowledge map system to effectively organize the visual concepts that have been learned. Hybrid incremental learning algorithm enhances the recognition ability of existing nodes in knowledge atlas by learning new examples of old categories and adds new nodes and relationships to knowledge atlas by learning new categories. The hybrid incremental learning algorithm enables the new knowledge to be propagated through the nodes and relationships in the knowledge map, so that the associated classifiers can also learn the transferred new knowledge at the same time and form a ripple effect. This paper verifies the validity of the algorithm and the framework on two different data sets. Experiments show that the algorithm can continue to study on the basis of existing models and improve the classification performance. Make the learning process more comprehensive and effective.
【學(xué)位授予單位】：山東科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊靜;張健沛;劉大昕;;基于多支持向量機(jī)分類器的增量學(xué)習(xí)算法研究[J];哈爾濱工程大學(xué)學(xué)報(bào);2006年01期

2 秦玉平;王秀坤;王春立;;實(shí)現(xiàn)兼類樣本類增量學(xué)習(xí)的一種算法[J];控制與決策;2009年01期

3 秦玉平;王秀坤;王春立;;實(shí)現(xiàn)兼類樣本增量學(xué)習(xí)的一種算法[J];計(jì)算機(jī)應(yīng)用與軟件;2009年08期

4 秦玉平;陳一荻;王春立;王秀坤;;一種新的類增量學(xué)習(xí)方法[J];計(jì)算機(jī)工程與應(yīng)用;2011年34期

5 時(shí)建中;程龍生;;基于增量學(xué)習(xí)系統(tǒng)的財(cái)務(wù)危機(jī)動態(tài)預(yù)警[J];技術(shù)經(jīng)濟(jì);2012年05期

6 王洪波;趙光宙;齊冬蓮;盧達(dá);;一類支持向量機(jī)的快速增量學(xué)習(xí)方法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2012年07期

7 秦玉平;倫淑嫻;王秀坤;;一種新的兼類樣本類增量學(xué)習(xí)算法[J];計(jì)算機(jī)科學(xué);2012年09期

8 姜卯生,王浩,姚宏亮;樸素貝葉斯分類器增量學(xué)習(xí)序列算法研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年14期

9 劉梅,權(quán)太范,姚天賓;基于增量學(xué)習(xí)神經(jīng)模糊網(wǎng)絡(luò)的機(jī)動目標(biāo)跟蹤[J];電子學(xué)報(bào);2005年11期

10 李祥納;艾青;秦玉平;劉衛(wèi)江;;支持向量機(jī)增量學(xué)習(xí)算法綜述[J];渤海大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

相關(guān)會議論文 前10條

1 秦亮;唐靜;史賢俊;肖支才;;一種改進(jìn)的支持向量機(jī)增量學(xué)習(xí)算法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

2 羅長升;段建國;許洪波;郭莉;;基于拉推策略的文本分類增量學(xué)習(xí)研究[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

3 張慶彬;吳惕華;劉波;;一種改進(jìn)的基于群體的增量學(xué)習(xí)算法[A];第二十六屆中國控制會議論文集[C];2007年

4 張健沛;李忠偉;楊靜;;一種基于多支持向量機(jī)的并行增量學(xué)習(xí)方法(英文)[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報(bào)告篇）[C];2005年

5 王悅凱;吳曉峰;翁巨揚(yáng);;Where-What網(wǎng)絡(luò)增量學(xué)習(xí)特性探究[A];第一屆全國神經(jīng)動力學(xué)學(xué)術(shù)會議程序手冊 & 論文摘要集[C];2012年

6 趙瑩;萬福永;;支持向量機(jī)的增量學(xué)習(xí)算法及其在多類分類問題中的應(yīng)用[A];第25屆中國控制會議論文集（下冊）[C];2006年

7 劉欣;章勇;王娟;;增量學(xué)習(xí)的TFIDF_NB協(xié)同訓(xùn)練分類算法[A];中國電子學(xué)會第十六屆信息論學(xué)術(shù)年會論文集[C];2009年

8 陳柘;趙榮椿;;幾何不變性及其在3D物體識別中的應(yīng)用[A];信號與信息處理技術(shù)——第一屆信號與信息處理聯(lián)合學(xué)術(shù)會議論文集[C];2002年

9 連靈;張敏;;三維物體識別的心理表征:角度依賴還是角度獨(dú)立[A];增強(qiáng)心理學(xué)服務(wù)社會的意識和功能——中國心理學(xué)會成立90周年紀(jì)念大會暨第十四屆全國心理學(xué)學(xué)術(shù)會議論文摘要集[C];2011年

10 周程;吳飛;莊越挺;;基于層次反饋機(jī)制的物體識別[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 孫宇;針對含有概念漂移問題的增量學(xué)習(xí)算法研究[D];中國科學(xué)技術(shù)大學(xué);2017年

2 李敬;增量學(xué)習(xí)及其在圖像識別中的應(yīng)用[D];上海交通大學(xué);2008年

3 段華;支持向量機(jī)的增量學(xué)習(xí)算法研究[D];上海交通大學(xué);2008年

4 陸王天宇;受生物啟發(fā)的物體識別算法研究[D];復(fù)旦大學(xué);2013年

5 王靜;視網(wǎng)膜假體中人工視覺信息處理及優(yōu)化表達(dá)研究[D];上海交通大學(xué);2014年

6 齊勇剛;基于草圖和邊緣的物體識別[D];北京郵電大學(xué);2015年

7 黃穎;基于圖理論的圖像處理與物體識別算法的研究[D];電子科技大學(xué);2012年

8 劉光燦;基于機(jī)器學(xué)習(xí)的物體識別[D];上海交通大學(xué);2013年

9 徐勝;三維物體識別研究[D];電子科技大學(xué);2010年

10 王興剛;物體識別中的形狀建模和弱監(jiān)督學(xué)習(xí)[D];華中科技大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李雪;基于智能交互的物體識別增量學(xué)習(xí)研究[D];山東科技大學(xué);2017年

2 郝運(yùn)河;基于增量學(xué)習(xí)的復(fù)雜環(huán)境下道路識別算法研究[D];南京理工大學(xué);2015年

3 李丹;基于馬氏超橢球?qū)W習(xí)機(jī)的增量學(xué)習(xí)算法研究[D];渤海大學(xué);2015年

4 趙翠翠;基于RBF神經(jīng)網(wǎng)絡(luò)的集成增量學(xué)習(xí)方法研究[D];河北工業(yè)大學(xué);2015年

5 王會波;基于支持向量機(jī)的混合增量學(xué)習(xí)算法與應(yīng)用[D];華中師范大學(xué);2016年

6 張健;增量學(xué)習(xí)在電子鼻智能烘烤系統(tǒng)中的應(yīng)用研究[D];重慶大學(xué);2016年

7 曾舒如;基于多模態(tài)增量學(xué)習(xí)模型的目標(biāo)物體檢測方法研究[D];南昌大學(xué);2016年

8 潘振春;基于實(shí)例的領(lǐng)域適應(yīng)增量學(xué)習(xí)方法研究[D];南京理工大學(xué);2017年

9 劉國欣;基于增量學(xué)習(xí)SVM分類算法的研究與應(yīng)用[D];中北大學(xué);2017年

10 徐保鑫;分布式環(huán)境下企業(yè)新聞信息分類子系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];延邊大學(xué);2017年

，

本文編號：2062569