带置信度的多标记图像模型研究与应用

发布时间：2021-07-10 23:49

　　随着信息技术与多媒体技术迅速发展,图像呈现指数级的增长,如何应对这些图像分类是个亟待解决的问题。现实生活中,一幅图像往往存在多义性,图像分类是典型的多标记问题。另外,在高风险领域,分类失败将导致严重的后果。本文通过把卷积神经网络（Convolutional Neural Networks,CNN）引入归纳一致性预测器学习框架（Inductive Conformal Predictor,ICP）,提出MLICP-CNN多标记置信预测模型,能对输出结果附带可校准的置信度评估。最后将MLICP-CNN模型应用于X线胸片多标记诊断问题中,构建X线胸片置信诊断原型系统。总结来说,论文的主要研究内容如下:（1）提出一种基于卷积神经网络与归纳一致性预测器的多标记学习模型MLICP-CNN。该模型包括基于CNN的训练集推理规则抽取阶段和基于ICP的多标记置信预测阶段,能充分利用CNN进行样本特征的自动、多层次和多角度提取,又利用ICP具有置信机制和时间复杂度低特性,来解决多标记图像分类置信问题,使得预测结果能够被置信度所校准。（2）设计了符合MLICP-CNN学习框架的奇异值函数,提出IO-MLICP... 

【文章来源】：华侨大学福建省

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 多标记图像分类研究意义
        1.1.2 分类算法置信度评估的研究意义
        1.1.3 论文的研究意义
    1.2 国内外研究现状
        1.2.1 多标记图像分类研究现状
        1.2.2 卷积神经网络研究现状
        1.2.3 置信分类研究现状
        1.2.4 多标记一致性预测器研究现状
    1.3 论文内容和结构安排
        1.3.1 论文主要工作和创新点
        1.3.2 各章节目录安排
第2章 MLICP-CNN多标记置信模型设计
    2.1 MLICP-CNN模型思想
        2.1.1 基于CNN深度学习的归纳推理
        2.1.2 基于ICP的多标记置信预测
    2.2 MLICP-CNN算法框架
        2.2.1 基于CNN的训练集推理规则抽取阶段
        2.2.2 基于ICP的置信预测阶段
        2.2.3 MLICP-CNN的评价指标
    2.3 本章小结
第3章 MLICP-CNN模型实现
    3.1 MLICP-CNN模型实现方案
        3.1.1 CNN方案设计
        3.1.2 ICP置信预测的方案设计
    3.2 IO-MLICP-CNN算法
        3.2.1 IO-MLICP-CNN奇异值度量函数设计
        3.2.2 IO-MLICP-CNN算法流程
    3.3 LS-MLICP-CNN算法
        3.3.1 LS-MLICP-CNN算法奇异值度量函数设计
        3.3.2 LS-MLICP-CNN算法流程
    3.4 实验验证
        3.4.1 实验设置
        3.4.2 预测可校准性实验结果分析
        3.4.3 域预测效率实验结果分析
        3.4.4 点预测实验结果分析
    3.5 本章小结
第4章 基于MLICP-CNN模型的X线胸片诊断系统
    4.1 X线胸片诊断简介
        4.1.1 x线胸片的多标记诊断研究
        4.1.2 x线胸片肺炎可视化
    4.2 X线胸片置信诊断系统构建
        4.2.1 系统需求分析
        4.2.2 X线胸片诊断系统功能设计
        4.2.3 系统应用实现
    4.3 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果



本文编号：3276893