当前位置:主页 > 科技论文 > 软件论文 >

基于多示例学习的图像分类研究

发布时间:2017-07-05 13:05

  本文关键词:基于多示例学习的图像分类研究


  更多相关文章: 图像分类 支持向量机 多示例学习 多示例多标签学习 特征选择


【摘要】:多示例学习是为了解决复杂的实际问题而提出的一种新的机器学习框架,作为应对多重语义特性的有效途径,可应用到图像分类问题中。多示例多标签学习可以看作是多示例学习与多标签学习的结合。与多示例学习和多标签学习相比,多示例多标签学习框架对事物的描述更为全面,为解决多类分类问题开辟了新的思路,对图像分类与识别具有重要的科学意义和实际应用价值。本文主要研究将多示例多标签学习应用到图像分类,并扩展到文本分类、音频分类。(1)介绍了支持向量机的相关理论和相关模型,分析研究了多示例学习框架和三类经典的多示例学习算法,以及多示例多标签学习的概念和框架,并探讨了多示例多标签学习的两种经典分类算法。(2)分析研究了多示例学习中包内示例相关性特征的表示方法和多核学习算法,并将示例的相关关系特征引入到多示例多标签学习中,将多核学习引入到分类器的构造中,提出了一种基于多核融合的多示例多标签学习算法。通过在场景图像数据集、文本数据集以及音频数据集上仿真,验证了该算法在解决分类问题上的有效性。(3)探讨了基于2,1l范数约束的特征选择方法,并将其引入到多示例多标签学习中,用于剔除包内对标签预测产生干扰的示例,并选择出代表性示例。同时为了兼顾标签之间的相关关系特征,构建基于标签之间相关关系特征的分类器,提出了一种基于特征选择的多示例多标签学习算法。
【关键词】:图像分类 支持向量机 多示例学习 多示例多标签学习 特征选择
【学位授予单位】:鲁东大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TP391.41
【目录】:
  • 摘要5-6
  • Abstract6-10
  • 第1章 绪论10-16
  • 1.1 图像分类的研究背景及意义10-13
  • 1.2 多示例学习的研究现状13-15
  • 1.3 本文的研究工作及组织15-16
  • 1.3.1 主要工作15
  • 1.3.2 论文的组织安排15-16
  • 第2章 支持向量机16-24
  • 2.1 统计学习理论基础16-17
  • 2.1.1 VC维概念16
  • 2.1.2 结构风险最小化16-17
  • 2.2 线性支持向量机17-21
  • 2.2.1 线性可分支持向量机17-20
  • 2.2.2 广义线性支持向量机20-21
  • 2.3 非线性支持向量机21-23
  • 2.3.1 非线性支持向量机21-22
  • 2.3.2 核函数22-23
  • 2.4 本章小结23-24
  • 第3章 多示例学习24-36
  • 3.1 概述24-25
  • 3.2 多示例学习算法25-29
  • 3.2.1 轴平行矩形算法26-27
  • 3.2.2 多样性密度算法27-28
  • 3.2.3 基于SVM的多示例学习算法28-29
  • 3.3 多示例多标签学习框架及算法29-35
  • 3.3.1 多示例多标签学习框架29-31
  • 3.3.2 MIMLBOOST算法31-33
  • 3.3.3 MIMLSVM算法33-34
  • 3.3.4 性能评价指标34-35
  • 3.4 本章小结35-36
  • 第4章 基于多核融合的多示例多标签学习算法36-56
  • 4.1 引言36-38
  • 4.2 基于示例相关性的多示例学习38-42
  • 4.2.1 MIGraph算法39-41
  • 4.2.2 mi Graph算法41-42
  • 4.3 多核学习算法42-48
  • 4.3.1 多核学习概述43-44
  • 4.3.2 Simple MKL算法44-48
  • 4.4 基于多核融合的多示例多标签学习算法48-50
  • 4.4.1 包内示例相关关系的建模48-49
  • 4.4.2 多核融合49-50
  • 4.5 实验结果与分析50-54
  • 4.5.1 实验数据集及评价标准50-51
  • 4.5.2 实验结果及分析51-54
  • 4.6 本章小结54-56
  • 第5章 基于特征选择的多示例多标签学习算法56-68
  • 5.1 概述56-57
  • 5.2 嵌入示例选择的多示例学习(MILES)算法57-60
  • 5.2.1 基于示例的包特征映射58-59
  • 5.2.2 基于l_1范数的SVM分类器训练59-60
  • 5.3 基于特征选择的多示例多标签学习算法60-65
  • 5.3.1 基于示例空间的特征映射60-61
  • 5.3.2 1_(2,1)范数61
  • 5.3.3 基于1_(2,1)范数的特征选择方法61-62
  • 5.3.4 优化问题求解62-64
  • 5.3.5 基于标签相关性的标签预测分类器64-65
  • 5.4 实验结果与分析65-67
  • 5.5 本章小结67-68
  • 第6章 总结与展望68-71
  • 6.1 本文工作68-69
  • 6.2 工作展望69-71
  • 参考文献71-79
  • 致谢79-80
  • 攻读硕士学位期间取得的科研成果80

【参考文献】

中国期刊全文数据库 前6条

1 陈彤彤;丁昕苗;柳婵娟;邹海林;周树森;刘影;;一种基于示例非独立同分布的多示例多标签分类算法[J];计算机科学;2016年02期

2 甘睿;印鉴;;通过挖掘示例中的概念来解决多示例学习问题[J];计算机研究与发展;2011年S3期

3 张敏灵,周志华;基于神经网络的多示例回归算法[J];软件学报;2003年07期

4 郭景峰,米浦波,刘国华;决策树算法的并行性研究[J];计算机工程;2002年08期

5 黄祥林,沈兰荪;基于内容的图像检索技术研究[J];电子学报;2002年07期

6 王惠锋 ,孙正兴 ,王箭;语义图像检索研究进展[J];计算机研究与发展;2002年05期



本文编号:522051

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/522051.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户ca6cb***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com