本文關(guān)鍵詞：面向圖像分類的主動(dòng)學(xué)習(xí)算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：圖像分類是計(jì)算機(jī)視覺、模式識(shí)別領(lǐng)域的研究熱點(diǎn),在智能交通、安全監(jiān)控、機(jī)器人導(dǎo)航等領(lǐng)域有著廣泛的應(yīng)用。在圖像分類中,需要大量有標(biāo)記的樣本來訓(xùn)練穩(wěn)定的分類模型,以實(shí)現(xiàn)對(duì)未知圖像的準(zhǔn)確分類。但是在實(shí)際應(yīng)用中,有標(biāo)記的圖像數(shù)量非常之少,無標(biāo)記的圖像卻隨處可見,且圖像的人工標(biāo)記是件費(fèi)時(shí)費(fèi)力的工作。為了減少人工標(biāo)記工作量,主動(dòng)學(xué)習(xí)(Active Learning)技術(shù)被引入到圖像分類中。主動(dòng)學(xué)習(xí)的主要思想是：在大量未標(biāo)記的樣本中,采用某種策略,挑選少量最有信息量且最具代表性的樣本交給專家進(jìn)行標(biāo)記。使用標(biāo)記過的樣本訓(xùn)練模型,實(shí)現(xiàn)對(duì)未知樣本的準(zhǔn)確分類。主動(dòng)學(xué)習(xí)的核心技術(shù)是如何設(shè)計(jì)準(zhǔn)則來挑選最具信息量的樣本,以最大程度提升分類模型的性能。本文研究面向圖像分類的主動(dòng)學(xué)習(xí)技術(shù),提出了幾種新的主動(dòng)學(xué)習(xí)方法,通過圖像分類實(shí)驗(yàn)驗(yàn)證了它們的有效性。本文的主要工作和創(chuàng)新點(diǎn)集中在以下幾個(gè)方面：首先,在最優(yōu)實(shí)驗(yàn)設(shè)計(jì)(OED)算法的基礎(chǔ)上,考慮樣本之間的近鄰重構(gòu)關(guān)系,提出一種近鄰保持的實(shí)驗(yàn)設(shè)計(jì)方法(NPDOD)。傳統(tǒng)的OED只考慮標(biāo)記樣本的平方誤差,而忽視了未標(biāo)記樣本的信息。受到局部線性重構(gòu)(LLE)的啟發(fā),本文假設(shè)樣本的類別標(biāo)簽也可以由其近鄰樣本的標(biāo)簽近似重構(gòu)。NPDOD方法在最小化回歸平方誤差的同時(shí),也最小化近鄰樣本的類別重構(gòu)誤差,使得回歸模型方差最小的樣本被認(rèn)為是最有信息量的樣本,被挑選標(biāo)記且用于訓(xùn)練模型。其次,提出基于動(dòng)態(tài)規(guī)劃的多準(zhǔn)則組合主動(dòng)學(xué)習(xí)方法。傳統(tǒng)的主動(dòng)學(xué)習(xí)方法僅僅依賴于一個(gè)準(zhǔn)則抽樣,如樣本的不確定性、密度等,但是忽視了樣本間的冗余性等信息。針對(duì)沒有初始標(biāo)記樣本的情況,提出最大密度最小冗余的主動(dòng)學(xué)習(xí)方法(MDMR),該方法可以挑選密度大且冗余性小的樣本進(jìn)行標(biāo)記；對(duì)于有少量初始標(biāo)記樣本的情況,提出一種不確定性與多樣性組合的主動(dòng)學(xué)習(xí)方法(AL.UD),挑選不確定性大、冗余性小的樣本標(biāo)記。這兩種方法都將兩個(gè)準(zhǔn)則有效的結(jié)合在一起,將樣本選擇問題,近似的轉(zhuǎn)變成一個(gè)動(dòng)態(tài)規(guī)劃問題。此外,提出基于二次規(guī)劃和子模塊函數(shù)的多準(zhǔn)則主動(dòng)學(xué)習(xí)方法。該方法在挑選樣本時(shí),綜合考慮了樣本的不確定度、密度和冗余信息,提出了一種新的抽樣模型。該模型可以通過二次規(guī)劃方法和子模塊函數(shù)方法近似的求解。在二次規(guī)劃方法中,采用增廣拉格朗日乘子法以更快得求得最優(yōu)解；在子模塊函數(shù)方法中,使用了一種貪婪算法,子模塊函數(shù)的性質(zhì)保證了最終解與全局最優(yōu)解的逼近程度。最后,提出基于半監(jiān)督學(xué)習(xí)的主動(dòng)學(xué)習(xí)方法。主動(dòng)學(xué)習(xí)方法只能利用標(biāo)記的樣本而忽視了未標(biāo)記樣本。半監(jiān)督學(xué)習(xí)中的標(biāo)記樣本是固定的,可能并不具有很大的信息量和代表性。鑒于以上原因,本文將半監(jiān)督學(xué)習(xí)與主動(dòng)學(xué)習(xí)組合�；诰植亢腿忠恢滦詫W(xué)習(xí)方法(LLGC),提出一種期望風(fēng)險(xiǎn)最小化的主動(dòng)學(xué)習(xí)方法,挑選某個(gè)樣本,使得其它所有未標(biāo)記樣本被分類錯(cuò)誤的期望最小。
【關(guān)鍵詞】：主動(dòng)學(xué)習(xí) 圖像分類 抽樣策略 最優(yōu)實(shí)驗(yàn)設(shè)計(jì) 不確定抽樣 半監(jiān)督學(xué)習(xí)
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要5-7
• Abstract7-12
• 1 緒論12-26
• 1.1 研究背景與研究意義12-13
• 1.2 主動(dòng)學(xué)習(xí)算法及研究現(xiàn)狀13-23
• 1.2.1 主動(dòng)學(xué)習(xí)的一般過程與分類13-16
• 1.2.2 研究現(xiàn)狀16-22
• 1.2.3 主動(dòng)學(xué)習(xí)的評(píng)價(jià)指標(biāo)22-23
• 1.3 本文研究工作概述23-24
• 1.4 本文的內(nèi)容安排24-26
• 2 基于近鄰保持D-實(shí)驗(yàn)設(shè)計(jì)的主動(dòng)學(xué)習(xí)算法26-44
• 2.1 引言26-27
• 2.2 傳統(tǒng)的最優(yōu)實(shí)驗(yàn)設(shè)計(jì)方法(OED)27-28
• 2.3 直推實(shí)驗(yàn)設(shè)計(jì)方法(TED)28-30
• 2.4 近鄰保持D-實(shí)驗(yàn)設(shè)計(jì)方法30-36
• 2.4.1 近鄰保持回歸30-31
• 2.4.2 近鄰保持D-實(shí)驗(yàn)設(shè)計(jì)31-33
• 2.4.3 非線性近鄰保持D-實(shí)驗(yàn)設(shè)計(jì)33-36
• 2.5 實(shí)驗(yàn)36-43
• 2.5.1 合成數(shù)據(jù)實(shí)驗(yàn)36-37
• 2.5.2 場景分類37-39
• 2.5.3 地表分析39-43
• 2.6 本章小結(jié)43-44
• 3 基于動(dòng)態(tài)規(guī)劃的多準(zhǔn)則主動(dòng)學(xué)習(xí)算法44-64
• 3.1 引言44-45
• 3.2 最大密度最小冗余的主動(dòng)學(xué)習(xí)方法45-53
• 3.2.1 密度與冗余度的度量45-47
• 3.2.2 動(dòng)態(tài)規(guī)劃解法47-49
• 3.2.3 實(shí)驗(yàn)49-53
• 3.3 組合不確定度與多樣性準(zhǔn)則的主動(dòng)學(xué)習(xí)算法53-61
• 3.3.1 不確定度與多樣性度量54-56
• 3.3.2 主動(dòng)學(xué)習(xí)方法56-57
• 3.3.3 實(shí)驗(yàn)57-61
• 3.4 本章小結(jié)61-64
• 4 基于二次規(guī)劃和子模塊函數(shù)的多準(zhǔn)則主動(dòng)學(xué)習(xí)算法64-80
• 4.1 引言64
• 4.2 多類批模式主動(dòng)學(xué)習(xí)方法64-67
• 4.2.1 不確定度65
• 4.2.2 密度65-66
• 4.2.3 冗余性66
• 4.2.4 目標(biāo)函數(shù)66-67
• 4.3 近似方法1：二次規(guī)劃方法67-70
• 4.3.1 增廣拉格朗日乘子法68-70
• 4.4 近似方法2：子模塊函數(shù)方法70-74
• 4.5 實(shí)驗(yàn)74-78
• 4.5.1 地表分類74-76
• 4.5.2 手寫字體識(shí)別76-77
• 4.5.3 場景分類77-78
• 4.5.4 時(shí)間分析78
• 4.6 本章小結(jié)78-80
• 5 結(jié)合半監(jiān)督學(xué)習(xí)的主動(dòng)學(xué)習(xí)方法80-92
• 5.1 引言80-81
• 5.2 局部全局一致性學(xué)習(xí)(LLGC)81-83
• 5.3 結(jié)合半監(jiān)督學(xué)習(xí)的主動(dòng)學(xué)習(xí)83-86
• 5.4 實(shí)驗(yàn)86-91
• 5.4.1 場景分類86-88
• 5.4.2 地表分類88
• 5.4.3 在Corel數(shù)據(jù)集上的圖像分類88-91
• 5.5 本章小結(jié)91-92
• 6 總結(jié)與展望92-96
• 6.1 本文工作總結(jié)92-94
• 6.2 未來工作展望94-96
• 致謝96-98
• 參考文獻(xiàn)98-112
• 附錄112-113

【共引文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 鐘志農(nóng);劉方馳;吳燁;伍江江;;主動(dòng)學(xué)習(xí)與自學(xué)習(xí)的中文命名實(shí)體識(shí)別[J];國防科技大學(xué)學(xué)報(bào);2014年04期

2 陳衛(wèi);;社交網(wǎng)絡(luò)影響力傳播研究[J];大數(shù)據(jù);2015年03期

3 羅亮;賈欣鑫;何尚錄;;求解組合拍賣問題最大值的貪婪算法[J];黑龍江科技學(xué)院學(xué)報(bào);2008年05期

4 李小平;王利紅;何尚錄;;一種求解下模集函數(shù)最大值問題的近似算法[J];黑龍江科技學(xué)院學(xué)報(bào);2010年05期

5 王杰;剛軼金;李鳳光;吳偉巍;;改進(jìn)貪婪算法在博客突發(fā)事件檢測中的研究[J];計(jì)算機(jī)工程與應(yīng)用;2008年34期

6 雷習(xí)軍;趙杏利;李小平;何尚錄;;求解背包約束下下模集函數(shù)近似算法及性能保證[J];淮陰工學(xué)院學(xué)報(bào);2010年03期

7 王學(xué)光;;基于動(dòng)態(tài)網(wǎng)絡(luò)影響擴(kuò)散問題研究[J];計(jì)算機(jī)科學(xué);2012年06期

8 陳光平;;傳感器網(wǎng)絡(luò)節(jié)點(diǎn)選擇的分布式在線算法[J];計(jì)算機(jī)工程;2012年10期

9 劉勇;高宏;李建中;;基于聯(lián)合意義度量的Top-K圖模式挖掘[J];計(jì)算機(jī)學(xué)報(bào);2010年02期

10 李磊;王丁丁;朱順痣;李濤;;Personalized News Recommendation:A Review and an Experimental Investigation[J];Journal of Computer Science & Technology;2011年05期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前1條

1 Xiukuan Zhao;Baiqi Ning;Gangbing Song;;An Effective Active Semi-supervised Learning Method Based on Manifold Regularization[A];中國科學(xué)院地質(zhì)與地球物理研究所2013年度（第13屆）學(xué)術(shù)論文匯編——科技支撐系統(tǒng)[C];2014年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 林古立;互聯(lián)網(wǎng)信息檢索中的多樣化排序研究及應(yīng)用[D];華南理工大學(xué);2011年

2 吳集;多智能體仿真支撐技術(shù)、組織與AI算法研究[D];國防科學(xué)技術(shù)大學(xué);2006年

3 王萍;網(wǎng)絡(luò)環(huán)境下的領(lǐng)域知識(shí)挖掘[D];華東師范大學(xué);2010年

4 劉勇;圖模式挖掘技術(shù)的研究[D];哈爾濱工業(yè)大學(xué);2010年

5 吳曉培;傳感器網(wǎng)絡(luò)的部署以及節(jié)能研究[D];電子科技大學(xué);2012年

6 喬焰;基于主動(dòng)探測的IP網(wǎng)故障診斷與丟包率推理方法[D];北京郵電大學(xué);2012年

7 劉曉東;大規(guī)模社會(huì)網(wǎng)絡(luò)中影響最大化問題高效處理技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2013年

8 郭靜;社交網(wǎng)絡(luò)影響力傳播的分析與挖掘研究[D];北京郵電大學(xué);2014年

9 董文祥;網(wǎng)絡(luò)中信息傳播：信息源選擇與檢測的若干關(guān)鍵問題研究[D];中國科學(xué)技術(shù)大學(xué);2014年

10 王智愚;社會(huì)化多媒體內(nèi)容分析與摘要[D];清華大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 虞礪琨;用于故障診斷的半在線式主動(dòng)探測算法的研究[D];北京郵電大學(xué);2011年

2 章云龍;社交網(wǎng)絡(luò)中基于話題的影響最大化問題研究[D];上海交通大學(xué);2012年

3 張生;求解基約束下上模函數(shù)最小值的局部搜索算法及其性能保證[D];蘭州交通大學(xué);2008年

4 剛軼金;數(shù)據(jù)挖掘在客戶關(guān)系管理中的應(yīng)用研究[D];鄭州大學(xué);2009年

5 黎雷;社會(huì)網(wǎng)絡(luò)影響力模型及其算法研究[D];北京交通大學(xué);2010年

6 馬寅;社會(huì)網(wǎng)絡(luò)影響力最大化算法及傳播模型的研究[D];蘭州大學(xué);2012年

7 楊劍;基于用戶訪問路徑的網(wǎng)頁推薦算法研究[D];東北大學(xué);2010年

8 賀人貴;基于話題的學(xué)術(shù)網(wǎng)絡(luò)影響力最大化研究[D];華中科技大學(xué);2012年

9 吳鳳剛;車輛網(wǎng)絡(luò)服務(wù)發(fā)現(xiàn)中目錄車輛選擇問題的研究[D];上海交通大學(xué);2013年

10 陸明媚;遙感圖像變化檢測新方法研究[D];西安電子科技大學(xué);2013年

  本文關(guān)鍵詞：面向圖像分類的主動(dòng)學(xué)習(xí)算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：338850