基于标记分布的图像匹配研究与应用
发布时间：2021-10-21 10:25
随着计算机和互联网技术的快速发展,在日常生活和科研工作中往往需要处理越来越繁多的图像信息,如图像检索、人脸识别、自然场景检测等。如何快速有效的找出图像的信息,提取图像的特征,提高图像的匹配精度成为了目前研究的重点。另一方面,标记学习的相关研究在近年来也取得了很大的进展,在图像识别方面有着广泛的应用。通过标记图像来定义图像信息,然后选择合适的机器学习的方法对图像进行检索,识别和分类。基于此,本文主要做了以下方面的一些研究。在标记学习方面主要研究的是标记分布学习的知识。作为一种新型的学习范式,标记分布学习能反映出样本中相关标记对于整个样本的重要程度,相对于传统标记学习更具广泛适用性。由于目前标记分布数据集的样本特征数目较少,导致了一些标记学习算法准确度不高。针对这一问题,提出了一种基于Gradient Boost Decision Tree（简称GBDT）的标记分布学习算法（GBDT-LDL）。该算法主要过程是利用GBDT对样本特征进行学习与变换,将变换后得到的新特征与原始特征归一化处理,将混合的特征建立GBDT-LDL模型对未知标记分布进行预测。为检验该算法的预测能力,利用六项标记分布学...
【文章来源】：安庆师范大学安徽省
【文章页数】：38 页
【学位级别】：硕士
【部分图文】：
GBDT-LDL算法流程图
(e) Cosine (f) Intersection图 3. 2 五种标记分布学习算法的 Nemenyi 检验 CD 图本章的实验采用了五种标记分布学习算法进行相互比较，将这五种标记分布学习所预测的标记分布和数据集的真实标记分布通过六项评价指标进行度量，实验的具果如表 3.2 到表 3.7 所示。表 3.2 到表 3.5 代表了实验的距离度量，数值是越小越理想 3.6 和表 3.7 代表的是实验的相似度度量，数值越大越理想,对比出的最好结果以加示。图 3.2 表示这 5 种算法在以 0.05 显著性水平下的 Nemenyi 检验结果，是按照.2 到表 3.7 的数据结果以算法平均排名建立坐标轴，每个子图的横坐标轴从左至右的效果依次降低，其中有些算法之间通过一条直线相连，表示相连算法的效果对比显著性的差异。将图 3.2 假设检验结果进行统计分析，每个算法相对于其他算法有 24 种比较结果得出：① GBDT-LDL 算法在大部分评价指标上性能较优，在 37.5%的统计下与其他算显著性差异。其中图 3.2(a)显示，在 Chebyshev 距离指标上，GBDT-LDL、AA-KN
图像匹配判断结果图
【参考文献】：
期刊论文
[1]遗传算法优化BP神经网络预测股指研究[J]. 谢梦蝶,秦江涛. 软件导刊. 2019(04)
[2]面向高维特征和多分类的分布式梯度提升树[J]. 江佳伟,符芳诚,邵蓥侠,崔斌. 软件学报. 2019(03)
[3]基于大数据的图像检索关键技术[J]. 陈娜,肖爱萍,郑刚. 中国建材科技. 2019(01)
[4]决策树算法的容错性研究及其应用[J]. 万伟,张红艳. 中国新通信. 2019(04)
[5]基于改进网格搜索法的SVM参数优化[J]. 刘小生,章治邦. 江西理工大学学报. 2019(01)
[6]基于余弦相似度的加权K近邻室内定位算法[J]. 黄运稳,陈光,叶建芳. 计算机应用与软件. 2019(02)
[7]基于图像的课堂考勤系统开发[J]. 朱晓蒙,符云琴. 湖北农业科学. 2019(03)
[8]基于CART决策树的HEVC帧间CU快速划分算法[J]. 唐浩漾,王婧,孙梓巍,段一伟. 西安邮电大学学报. 2019(01)
[9]基于CNN的人脸识别门禁系统设计[J]. 陈奎,邢雪妍,田欣沅,王吉豪,王顺. 徐州工程学院学报(自然科学版). 2018(04)
[10]基于核极限学习机的标记分布学习[J]. 王一宾,田文泉,程玉胜,裴根生. 计算机工程与应用. 2018(24)
硕士论文
[1]基于多维度特征融合和GBDT增强分类的列车制动系统故障诊断[D]. 张猛.北京交通大学 2018
[2]基于BP神经网络的图像检索算法研究[D]. 赵昕.西安科技大学 2018
[3]基于多示例多标记学习的图像分类[D]. 闵婕.武汉科技大学 2018
[4]多标记学习算法研究及其在图像语义理解中的应用[D]. 王晓莹.北京交通大学 2018
[5]基于空间信息和迁移学习的图像多标记算法研究[D]. 周家琪.山东师范大学 2017
[6]基于改进标记分布学习算法的人脸年龄估计[D]. 邢超.东南大学 2017
[7]基于神经网络的图像情感分类技术研究[D]. 孙明.南开大学 2017
[8]基于HOG特征提取的车辆检测方法研究[D]. 刘家旭.华北电力大学 2017
[9]标记分布在人脸图像属性识别上的应用[D]. 周颖.东南大学 2016
[10]基于特征学习与相似度度量学习的人脸确认研究[D]. 程炜.湘潭大学 2016
本文编号：3448791
【文章来源】：安庆师范大学安徽省
【文章页数】：38 页
【学位级别】：硕士
【部分图文】：
GBDT-LDL算法流程图
(e) Cosine (f) Intersection图 3. 2 五种标记分布学习算法的 Nemenyi 检验 CD 图本章的实验采用了五种标记分布学习算法进行相互比较，将这五种标记分布学习所预测的标记分布和数据集的真实标记分布通过六项评价指标进行度量，实验的具果如表 3.2 到表 3.7 所示。表 3.2 到表 3.5 代表了实验的距离度量，数值是越小越理想 3.6 和表 3.7 代表的是实验的相似度度量，数值越大越理想,对比出的最好结果以加示。图 3.2 表示这 5 种算法在以 0.05 显著性水平下的 Nemenyi 检验结果，是按照.2 到表 3.7 的数据结果以算法平均排名建立坐标轴，每个子图的横坐标轴从左至右的效果依次降低，其中有些算法之间通过一条直线相连，表示相连算法的效果对比显著性的差异。将图 3.2 假设检验结果进行统计分析，每个算法相对于其他算法有 24 种比较结果得出：① GBDT-LDL 算法在大部分评价指标上性能较优，在 37.5%的统计下与其他算显著性差异。其中图 3.2(a)显示，在 Chebyshev 距离指标上，GBDT-LDL、AA-KN
图像匹配判断结果图
【参考文献】：
期刊论文
[1]遗传算法优化BP神经网络预测股指研究[J]. 谢梦蝶,秦江涛. 软件导刊. 2019(04)
[2]面向高维特征和多分类的分布式梯度提升树[J]. 江佳伟,符芳诚,邵蓥侠,崔斌. 软件学报. 2019(03)
[3]基于大数据的图像检索关键技术[J]. 陈娜,肖爱萍,郑刚. 中国建材科技. 2019(01)
[4]决策树算法的容错性研究及其应用[J]. 万伟,张红艳. 中国新通信. 2019(04)
[5]基于改进网格搜索法的SVM参数优化[J]. 刘小生,章治邦. 江西理工大学学报. 2019(01)
[6]基于余弦相似度的加权K近邻室内定位算法[J]. 黄运稳,陈光,叶建芳. 计算机应用与软件. 2019(02)
[7]基于图像的课堂考勤系统开发[J]. 朱晓蒙,符云琴. 湖北农业科学. 2019(03)
[8]基于CART决策树的HEVC帧间CU快速划分算法[J]. 唐浩漾,王婧,孙梓巍,段一伟. 西安邮电大学学报. 2019(01)
[9]基于CNN的人脸识别门禁系统设计[J]. 陈奎,邢雪妍,田欣沅,王吉豪,王顺. 徐州工程学院学报(自然科学版). 2018(04)
[10]基于核极限学习机的标记分布学习[J]. 王一宾,田文泉,程玉胜,裴根生. 计算机工程与应用. 2018(24)
硕士论文
[1]基于多维度特征融合和GBDT增强分类的列车制动系统故障诊断[D]. 张猛.北京交通大学 2018
[2]基于BP神经网络的图像检索算法研究[D]. 赵昕.西安科技大学 2018
[3]基于多示例多标记学习的图像分类[D]. 闵婕.武汉科技大学 2018
[4]多标记学习算法研究及其在图像语义理解中的应用[D]. 王晓莹.北京交通大学 2018
[5]基于空间信息和迁移学习的图像多标记算法研究[D]. 周家琪.山东师范大学 2017
[6]基于改进标记分布学习算法的人脸年龄估计[D]. 邢超.东南大学 2017
[7]基于神经网络的图像情感分类技术研究[D]. 孙明.南开大学 2017
[8]基于HOG特征提取的车辆检测方法研究[D]. 刘家旭.华北电力大学 2017
[9]标记分布在人脸图像属性识别上的应用[D]. 周颖.东南大学 2016
[10]基于特征学习与相似度度量学习的人脸确认研究[D]. 程炜.湘潭大学 2016
本文编号：3448791
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3448791.html
最近更新
教材专著
