基于集成學(xué)習(xí)和深度學(xué)習(xí)的應(yīng)用研究.pdf

1、基于機器學(xué)習(xí)的模式識別系統(tǒng)通常由兩部分組成:特征提取和分類。針對特征提取，本文既嘗試了手工設(shè)計新的特征，又研究了學(xué)習(xí)來的特征的優(yōu)勢。由于通常情況下，集成分類器優(yōu)于單個的基分類器，本文選擇集成分類器作為模式識別器?？傊?，本文主要研究集成學(xué)習(xí)和深度學(xué)習(xí)及其應(yīng)用，并針對細(xì)胞膜的分割和視網(wǎng)膜的分割分別提出了對應(yīng)的解決方法。
　　本文的研究內(nèi)容主要有兩部分:基于層次級特征和隨機森林的細(xì)胞膜分割方法、基于特征學(xué)習(xí)和集成學(xué)習(xí)的層次級視網(wǎng)膜圖像分

2、割方法。
　　提出一種基于層次級特征和隨機森林的細(xì)胞膜分割方法。鑒于細(xì)胞顯微圖像的局部聚簇性，首先定義和提取了層次級特征HLFs，層次級特征可被視為一種更合理、更自然的特征表示方法。然后，將層次級特征用于訓(xùn)練隨機森林來進行細(xì)胞膜的分割，進而提出針對細(xì)胞膜分割的HLFs-RF方法。在ISBI2012競賽數(shù)據(jù)集上的實驗結(jié)果表明:1）層次級特征整合了特征表達(dá)豐富的像素級特征和具有一定語義特征的超像素級特征的優(yōu)勢。2）與原有固定大小和形狀

3、的方形窗鄰域下上文信息相比，層次級特征能夠自適應(yīng)的調(diào)節(jié)單個像素點周圍的鄰域信息，較好的描述了局部錯綜復(fù)雜的微觀結(jié)構(gòu)，提高了用于細(xì)胞膜分割的模式識別系統(tǒng)的識別性能。3）而且，與同類方法相比，HLFs-RF方法即使在低維特征和小樣本的情況下，依然能取得良好的實驗效果。同時，還提出一種基于超像素的典型樣本點選擇方法，精簡了樣本空間，減少了樣本之間的冗余。
　　提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和隨機森林的層次級視網(wǎng)膜圖像分割方法。由于CNN能夠

4、自行從原始圖像學(xué)習(xí)到具有普適性的特征，傳統(tǒng)分類器RF又具有優(yōu)越的分類性能。這就很自然的想到整合CNN和RF兩種分類器的優(yōu)勢，使得整個模式識別系統(tǒng)的流程都是全自動的(automatic)和可訓(xùn)練的(trainable)。具體來說，CNN的作用是可訓(xùn)練的層次級特征提取器，然后選擇隨機森林來訓(xùn)練CNN提取到的層次級特征。值得指出的是對于學(xué)習(xí)來的特征，本文不僅使用了CNN最后一層的特征，還使用了中間層的特征。并將CNN各層學(xué)習(xí)來的特征分別用于訓(xùn)

5、練隨機森林，最后將各個隨機森林的輸出結(jié)果采用勝者為王集成學(xué)習(xí)方法進行集成。
　　本文提出的基于層次級特征和隨機森林的細(xì)胞膜分割方法，層次級特征具有很強的區(qū)分力，所提方法取得了良好的分割效果。后續(xù)工作重點主要集中于兩方面:一方面是更有區(qū)別力的超像素特征的定義和提取;另一方面是設(shè)計使用新的分類算法以使HLFs得到更好的利用。
　　整合特征學(xué)習(xí)和傳統(tǒng)分類器的研究不但具有重要的理論意義，還有廣闊的應(yīng)用空間。本文提出的基于特征學(xué)習(xí)和傳