本文選題：手持物體識別 + 增量學習��； 參考：《山東科技大學》2017年碩士論文

【摘要】：在人類生活中,根據環(huán)境變化不斷學習新知識是一個重要的過程。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習的能力。另一方面,在人類感知、學習的過程中,不斷把新知識融合進已學到的舊知識中也是一個重要的過程。實際上,在當前領域,知識關聯(lián)和視覺識別還未得到十分有效的結合。對于智能交互系統(tǒng)來說,一個自動學習新知識并系統(tǒng)組織舊知識的學習機制具有重要意義。在人機交互的過程中,手持物體進行交互是一個常見并且直觀的方式,所以手持物體識別是人機交互領域一個非常值得研究的任務。本文的研究就基于手持物體識別系統(tǒng)。本文提出了一個基于支撐向量機的混合增量學習算法。該算法可以通過添加新的分界面來學習新類別,通過調整已學分界面學習舊類別的新實例。此外,本文還給出了一個適用于智能交互系統(tǒng)的學習框架,在自動學習新知識的同時,也利用知識圖譜系統(tǒng)有效的組織已學到的視覺概念�；旌显隽繉W習算法通過學習舊類別的新實例來增強知識圖譜已有節(jié)點的識別能力,通過學習新類別為知識圖譜增加新的節(jié)點和關系。混合增量學習算法使得新知識可以通過知識圖譜中的節(jié)點和關系進行傳播,使相關聯(lián)的其他分類器也可以同時學習傳遞過來的新知識,形成一個漣漪效應。本文在兩個不同的數(shù)據集上驗證了算法和框架的有效性,實驗證明該算法能夠在已有模型的基礎上繼續(xù)學習,提升分類性能;同時該框架能夠使已學知識相互關聯(lián),使學習過程更加全面有效。
[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.
【學位授予單位】：山東科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;TP18

【相似文獻】

相關期刊論文 前10條

1 楊靜;張健沛;劉大昕;;基于多支持向量機分類器的增量學習算法研究[J];哈爾濱工程大學學報;2006年01期

2 秦玉平;王秀坤;王春立;;實現(xiàn)兼類樣本類增量學習的一種算法[J];控制與決策;2009年01期

3 秦玉平;王秀坤;王春立;;實現(xiàn)兼類樣本增量學習的一種算法[J];計算機應用與軟件;2009年08期

4 秦玉平;陳一荻;王春立;王秀坤;;一種新的類增量學習方法[J];計算機工程與應用;2011年34期

5 時建中;程龍生;;基于增量學習系統(tǒng)的財務危機動態(tài)預警[J];技術經濟;2012年05期

6 王洪波;趙光宙;齊冬蓮;盧達;;一類支持向量機的快速增量學習方法[J];浙江大學學報(工學版);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習算法[J];計算機科學;2012年09期

8 姜卯生,王浩,姚宏亮;樸素貝葉斯分類器增量學習序列算法研究[J];計算機工程與應用;2004年14期

9 劉梅,權太范,姚天賓;基于增量學習神經模糊網絡的機動目標跟蹤[J];電子學報;2005年11期

10 李祥納;艾青;秦玉平;劉衛(wèi)江;;支持向量機增量學習算法綜述[J];渤海大學學報(自然科學版);2007年02期

相關會議論文 前10條

1 秦亮;唐靜;史賢俊;肖支才;;一種改進的支持向量機增量學習算法[A];2011年中國智能自動化學術會議論文集（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習研究[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

3 張慶彬;吳惕華;劉波;;一種改進的基于群體的增量學習算法[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的并行增量學習方法(英文)[A];第二十二屆中國數(shù)據庫學術會議論文集（技術報告篇）[C];2005年

5 王悅凱;吳曉峰;翁巨揚;;Where-What網絡增量學習特性探究[A];第一屆全國神經動力學學術會議程序手冊 & 論文摘要集[C];2012年

6 趙瑩;萬福永;;支持向量機的增量學習算法及其在多類分類問題中的應用[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;;增量學習的TFIDF_NB協(xié)同訓練分類算法[A];中國電子學會第十六屆信息論學術年會論文集[C];2009年

8 陳柘;趙榮椿;;幾何不變性及其在3D物體識別中的應用[A];信號與信息處理技術——第一屆信號與信息處理聯(lián)合學術會議論文集[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立[A];增強心理學服務社會的意識和功能——中國心理學會成立90周年紀念大會暨第十四屆全國心理學學術會議論文摘要集[C];2011年

10 周程;吳飛;莊越挺;;基于層次反饋機制的物體識別[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

相關博士學位論文 前10條

1 孫宇;針對含有概念漂移問題的增量學習算法研究[D];中國科學技術大學;2017年

2 李敬;增量學習及其在圖像識別中的應用[D];上海交通大學;2008年

3 段華;支持向量機的增量學習算法研究[D];上海交通大學;2008年

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

5 王靜;視網膜假體中人工視覺信息處理及優(yōu)化表達研究[D];上海交通大學;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;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;2012年

8 劉光燦;基于機器學習的物體識別[D];上海交通大學;2013年

9 徐勝;三維物體識別研究[D];電子科技大學;2010年

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

相關碩士學位論文 前10條

1 李雪;基于智能交互的物體識別增量學習研究[D];山東科技大學;2017年

2 郝運河;基于增量學習的復雜環(huán)境下道路識別算法研究[D];南京理工大學;2015年

3 李丹;基于馬氏超橢球學習機的增量學習算法研究[D];渤海大學;2015年

4 趙翠翠;基于RBF神經網絡的集成增量學習方法研究[D];河北工業(yè)大學;2015年

5 王會波;基于支持向量機的混合增量學習算法與應用[D];華中師范大學;2016年

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

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

8 潘振春;基于實例的領域適應增量學習方法研究[D];南京理工大學;2017年

9 劉國欣;基于增量學習SVM分類算法的研究與應用[D];中北大學;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)的設計與實現(xiàn)[D];延邊大學;2017年

，

本文編號：2062569