基于半监督学习方法的相关反馈及其在图像检索中的应用

发布时间：2017-03-30 12:19

  本文关键词：基于半监督学习方法的相关反馈及其在图像检索中的应用，，由笔耕文化传播整理发布。

【摘要】：有效而快速地将准确的检索结果进行呈现,是图像检索建立的最终目的,而图像检索中影响最终结果准确率的因素在于,机器视觉算法无法跨越低层视觉信息与高层语义信息之间的鸿沟,从而降低了检索结果的准确程度。为解决以上问题,通过充分利用数据资源,加强算法模型对于数据分布和检索意图的学习能力,进而将视觉信息与检索意图有机地进行结合,提升检索结果的精确性。本文对机器学习领域中的半监督学习算法以及图像检索中的相关反馈技术进行了研究。本文的主要研究内容如下:首先,本文研究了图像检索技术的研究背景,并概述了半监督学习以及相关反馈技术的研究意义和现状,分析了相关反馈技术在图像检索过程中遇到的数据利用瓶颈和耗时问题,并根据此技术的应用特点引出半监督学习的方法,对多种半监督学习方法进行了详细概述,并简要说明了图像检索系统在应对数据量激增的情况下所面临的问题。其次,本文提出一种基于核超限学习机的半监督学习方法。该方法在传统的协同学习上进行扩展形成协同学习框架,并在此框架中引入基于高斯核的超限学习机算法,使其作为半监督方法中的基础分类算法。通过基于核学习的神经学习算法与标准优化方法的结合的方法,充分利用了有无标签数据,显著提高了基分类器对数据的敏感程度。在标准公开的半监督学习算法性能测试数据集上进行实验,结果表明本算法有强大的数据利用和分类能力,并且具备很好的泛化性能和鲁棒性。再次,本文提出一种基于核超限学习机半监督学习策略的相关反馈方法。在结合了基于核超限学习机的半监督学习方法前提下,依据相关反馈方法的需求,恰当地将半监督学习方法框架应用到相关反馈操作当中。在公开图库上进行的实验表明,半监督算法可以实现对数据的把握并可以学习检索意图等特性,此外融合基于核超限学习机所带来的在耗时方面的优势,可以使该算法在达到使相关反馈结果更精准效果的同时,获得较高的结果准确率和较少的处理耗时。最后,本文优化了传统CBIR系统在应用层面所面对的特征量大且维高的维数灾难问题,在基于融合特征的BagOfFeature图像检索模型的基础上,使用倒排索引技术表征图像中的内容,有效的缩短了图像检索过程所需时间,并将所提方法在系统中验证并实现。
【关键词】：图像检索 机器学习 半监督 相关反馈
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 研究背景及意义9-10
• 1.2 研究历史和现状10-12
• 1.2.1 相关反馈技术的研究历史和现状10-11
• 1.2.2 半监督学习算法的研究历史和现状11-12
• 1.3 课题来源12
• 1.4 本文研究内容及结构12-15
• 第2章 相关技术介绍15-27
• 2.1 基于内容的图像检索技术15-17
• 2.2 半监督学习算法17-22
• 2.2.1 半监督学习方法分类19-22
• 2.3 相关反馈方法22-26
• 2.3.1 相关反馈方法分类24-26
• 2.4 本章小结26-27
• 第3章 基于核超限学习机的半监督学习方法27-41
• 3.1 基于神经网络的半监督学习方法27-29
• 3.1.1 基于随机映射的超限学习机27-28
• 3.1.2 基于高斯核的超限学习机28-29
• 3.2 基于核超限学习机的半监督学习方法29-33
• 3.3 实验结果33-39
• 3.3.1 数据集介绍33-35
• 3.3.2 实验设计与参数设置35-36
• 3.3.3 对比实验与结果分析36-39
• 3.4 本章小结39-41
• 第4章 基于半监督学习的相关反馈方法41-55
• 4.1 基于半监督核超限学习机的相关反馈方法41-44
• 4.2 实验结果44-49
• 4.2.1 图库介绍44-46
• 4.2.2 实验评价标准46
• 4.2.3 对比实验与分析46-49
• 4.3 相关反馈方法在图像检索中的应用49-53
• 4.4 本章小结53-55
• 第5章 基于倒排索引的图像检索与相关反馈系统55-69
• 5.1 基于BagOfFeature的图像检索55-56
• 5.2 基于图像检索的倒排索引构建方法56-60
• 5.3 基于图像检索的倒排索引方法应用及评价60-64
• 5.4 基于倒排索引的图像检索与相关反馈系统64-68
• 5.5 本章小结68-69
• 结论69-71
• 参考 文献71-77
• 攻读硕士学位期间的研究成果77-79
• 致谢79

  本文关键词：基于半监督学习方法的相关反馈及其在图像检索中的应用，由笔耕文化传播整理发布。

本文编号：277111