隨著機器學習人工智能的快速興起,傳統(tǒng)的單標記已經(jīng)難以準確的描述對象,多標記學習逐漸成為大家研究的熱點。在多標記學習框架下,有用的數(shù)據(jù)越多,對于對象的描述就更加的準確。但是隨著信息的不斷增加,冗余的信息也會隨之增加并且嚴重影響最后對于對象的描述與判斷。特征提取就是一種處理數(shù)據(jù)高維性的一種有效的方法,通過對于原始的特征空間,過濾掉一些冗余或者無關的信息,選擇出一組包含了原始特征空間全部或大部分有效信息的特征子集。但目前已有的多標記特征提取算法很少有充分利用特征信息并充分提取“特征-標記”獨立信息及融合信息。而圖像分類中關鍵點的特征提取直接影響到分類的效果。在上述特征提取研究基礎上,我們進一步思考了零樣本圖像的分類問題。眾所周知,圖像分類問題就是雖然一直是計算機視覺領域的一大研究熱點,但傳統(tǒng)模型只能對已見過的對象進行分類,面對沒有訓練集的樣本卻毫無辦法。因此零樣本學習被提出來解決模型中出現(xiàn)的未見過對象。目前已有的零樣本學習算法大多是對圖像特征映射與語義向量映射的改進,或者是利用生成式對抗網(wǎng)絡,將零樣本圖像分類任務轉(zhuǎn)化為傳統(tǒng)圖像分類。但是以上的方法都沒有考慮到原始數(shù)據(jù)集中特征與標記之間的信息。... 

【文章來源】： 李志偉 安慶師范大學

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

AP趨勢圖

21采用顯著性水平為5%的Friedmantest[60]。當兩個算法在所有數(shù)據(jù)集上的平均排序的差值不大于臨界差(CriticalDifference，CD)，則認為這兩個算法沒有顯著性差異，反之則有顯著性差異。圖3.2給出了所有算法在不同評價指標上的比較，坐標軸畫出了各種算法的平均排序，坐標軸的數(shù)字表示平均排序，數(shù)字越小則說明平均排序越低，各評價指標子圖中從左到右，算法性能依次降低。通過線段連接的兩種算法表示在性能上沒有顯著差異。根據(jù)公式(3-26)可計算出CD值為2.2052。=()(3-26)(a)海明損失(b)1-錯誤率(c)覆蓋率(d)排序損失(e)平均精度圖3.2算法性能比較對某個任意算法，都有30個結(jié)果作為對比(在5個評價指標上具有6個對比算法)，通過圖3.2可以得出：(1)MIMLFE在5個評價指標上與其他6個對比算法相比時排序均為第一。(2)在HammingLoss、Coverage和RankingLoss三個評價指標上，MIMLFE與MDDMp和MVMD均無顯著性差異，但均優(yōu)于OS、MLSI、PCA、wMLDA。(3)在One-

27圖4.1結(jié)合CRnet流程圖4.4實驗設置及結(jié)果分析4.4.1實驗數(shù)據(jù)集及參數(shù)設置本文實驗采用了五種零樣本學習中最為常見的數(shù)據(jù)集，分別是是AwA1(AnimalswithAttributes1)，AwA2(AnimalswithAttributes2)，CUB(CaltechUCSDBirds200)，SUN(SUNSceneRecognition)以及aPY(AttributePascalandYahoo)。AwA數(shù)據(jù)集是零樣本學習中最常見的數(shù)據(jù)集，Lampert，Nickisch等使用50種動物類別作為關鍵字，并使用四個搜索引擎Google，Bing，Yahoo和Flickr搜索它們的圖片。獲得18萬張照片后，消除了異常圖像和重復圖像。經(jīng)過該預處理后，整個數(shù)據(jù)集共有30475張圖片，共有50個類別，而對于每個類別，至少有92張圖片。同時，每個動物類都有自己的屬性，每個類共有85個屬性。通過將采集到的圖像與語義屬性表相結(jié)合，可以將AwA數(shù)據(jù)集應用到任何一個使用屬性知識的模型中，在分類實驗中學習和利用屬性知識。因為AwA應用的廣泛性，Xian更新了AwA并創(chuàng)建了AwA2。AwA2數(shù)據(jù)集中有37322張圖像，類和屬性的數(shù)量和內(nèi)容沒有變化。CUB數(shù)據(jù)集是由加州理工學院創(chuàng)建的鳥類數(shù)據(jù)集，共有11788張圖像，使用312個屬性特征來描述200種不同的鳥類。aPY數(shù)據(jù)集由Farhadi等人組織。有兩個部分，一個是PascalVOC2008數(shù)據(jù)集的一個子集共有12695張圖片作為訓練集，另一個是在雅虎上搜集的2644張圖片測試集。此外，兩部分的類不相互重疊，所以數(shù)據(jù)集完全滿足零樣本學習的實驗要求。SUN數(shù)據(jù)集包含了細粒度的場景類和詳細的屬性標注，也可以應用于場景識別領域的零鏡頭學習。為了實驗結(jié)果的準確有效性，我們使用從ImageNet預先訓練的resnet-101提取的2048維特征，對于數(shù)據(jù)集中可見類與非可見類的劃分均是按照論文[73]劃分的并且和大部分其他零樣本學習方法一致。對于各個數(shù)據(jù)集的參數(shù)配置也與CRnet

【參考文獻】：
期刊論文
[1]聯(lián)合嵌入式多標簽分類算法[J]. 劉慧婷,冷新楊,王利利,趙鵬.  自動化學報. 2019(10)
[2]機器學習在醫(yī)療和公共衛(wèi)生中應用[J]. 張景奇,史文寶,紀秀娟.  中國公共衛(wèi)生. 2019(10)
[3]零樣本學習研究進展[J]. 張魯寧,左信,劉建偉.  自動化學報. 2020(01)
[4]彈性網(wǎng)絡核極限學習機的多標記學習算法[J]. 王一賓,裴根生,程玉勝.  智能系統(tǒng)學報. 2019(04)
[5]非平衡化標簽補全核極限學習機多標簽學習[J]. 程玉勝,趙大衛(wèi),王一賓,裴根生.  電子學報. 2019(03)
[6]蝴蝶種類自動識別研究[J]. 謝娟英,侯琦,史穎歡,呂鵬,景麗萍,莊福振,張軍平,譚曉陽,許升全.  計算機研究與發(fā)展. 2018(08)
[7]回歸核極限學習機的多標記學習算法[J]. 王一賓,程玉勝,何月,裴根生.  模式識別與人工智能. 2018(05)
[8]結(jié)合深度特征與多標記分類的圖像語義標注[J]. 李志欣,鄭永哲,張燦龍,史忠植.  計算機輔助設計與圖形學學報. 2018(02)
[9]基于信息粒化的多標記特征選擇算法[J]. 王晨曦,林耀進,唐莉,傅為,林培榕.  模式識別與人工智能. 2018(02)
[10]基于ReliefF剪枝的多標記分類算法[J]. 劉海洋,王志海,張志東.  計算機學報. 2019(03)



本文編號：2989369