版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、圖像分類是計算機(jī)視覺、模式識別領(lǐng)域的研究熱點(diǎn),在智能交通、安全監(jiān)控、機(jī)器人導(dǎo)航等領(lǐng)域有著廣泛的應(yīng)用。在圖像分類中,需要大量有標(biāo)記的樣本來訓(xùn)練穩(wěn)定的分類模型,以實現(xiàn)對未知圖像的準(zhǔn)確分類。但是在實際應(yīng)用中,有標(biāo)記的圖像數(shù)量非常之少,無標(biāo)記的圖像卻隨處可見,且圖像的人工標(biāo)記是件費(fèi)時費(fèi)力的工作。為了減少人工標(biāo)記工作量,主動學(xué)習(xí)(Active Learning)技術(shù)被引入到圖像分類中。
主動學(xué)習(xí)的主要思想是:在大量未標(biāo)記的樣本中,采用某
2、種策略,挑選少量最有信息量且最具代表性的樣本交給專家進(jìn)行標(biāo)記。使用標(biāo)記過的樣本訓(xùn)練模型,實現(xiàn)對未知樣本的準(zhǔn)確分類。主動學(xué)習(xí)的核心技術(shù)是如何設(shè)計準(zhǔn)則來挑選最具信息量的樣本,以最大程度提升分類模型的性能。
本文研究面向圖像分類的主動學(xué)習(xí)技術(shù),提出了幾種新的主動學(xué)習(xí)方法,通過圖像分類實驗驗證了它們的有效性。
本文的主要工作和創(chuàng)新點(diǎn)集中在以下幾個方面:
首先,在最優(yōu)實驗設(shè)計(OED)算法的基礎(chǔ)上,考慮樣本之間的近鄰
3、重構(gòu)關(guān)系,提出一種近鄰保持的實驗設(shè)計方法(NPDOD)。傳統(tǒng)的OED只考慮標(biāo)記樣本的平方誤差,而忽視了未標(biāo)記樣本的信息。受到局部線性重構(gòu)(LLE)的啟發(fā),本文假設(shè)樣本的類別標(biāo)簽也可以由其近鄰樣本的標(biāo)簽近似重構(gòu)。NPDOD方法在最小化回歸平方誤差的同時,也最小化近鄰樣本的類別重構(gòu)誤差,使得回歸模型方差最小的樣本被認(rèn)為是最有信息量的樣本,被挑選標(biāo)記且用于訓(xùn)練模型。
其次,提出基于動態(tài)規(guī)劃的多準(zhǔn)則組合主動學(xué)習(xí)方法。傳統(tǒng)的主動學(xué)習(xí)方法
4、僅僅依賴于一個準(zhǔn)則抽樣,如樣本的不確定性、密度等,但是忽視了樣本間的冗余性等信息。針對沒有初始標(biāo)記樣本的情況,提出最大密度最小冗余的主動學(xué)習(xí)方法(MDMR),該方法可以挑選密度大且冗余性小的樣本進(jìn)行標(biāo)記;對于有少量初始標(biāo)記樣本的情況,提出一種不確定性與多樣性組合的主動學(xué)習(xí)方法(AL_UD),挑選不確定性大、冗余性小的樣本標(biāo)記。這兩種方法都將兩個準(zhǔn)則有效的結(jié)合在一起,將樣本選擇問題,近似的轉(zhuǎn)變成一個動態(tài)規(guī)劃問題。
此外,提出基于
5、二次規(guī)劃和子模塊函數(shù)的多準(zhǔn)則主動學(xué)習(xí)方法。該方法在挑選樣本時,綜合考慮了樣本的不確定度、密度和冗余信息,提出了一種新的抽樣模型。該模型可以通過二次規(guī)劃方法和子模塊函數(shù)方法近似的求解。在二次規(guī)劃方法中,采用增廣拉格朗日乘子法以更快得求得最優(yōu)解;在子模塊函數(shù)方法中,使用了一種貪婪算法,子模塊函數(shù)的性質(zhì)保證了最終解與全局最優(yōu)解的逼近程度。
最后,提出基于半監(jiān)督學(xué)習(xí)的主動學(xué)習(xí)方法。主動學(xué)習(xí)方法只能利用標(biāo)記的樣本而忽視了未標(biāo)記樣本。半監(jiān)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 面向噪聲數(shù)據(jù)的組合分類及主動學(xué)習(xí)算法研究.pdf
- 面向高光譜圖像空譜分類的學(xué)習(xí)算法研究.pdf
- 基于主動學(xué)習(xí)的圖像分類研究.pdf
- 面向代價敏感分類問題的主動學(xué)習(xí)研究.pdf
- 基于主動學(xué)習(xí)的SAR圖像分類方法研究.pdf
- 基于主動深度學(xué)習(xí)的遙感圖像分類.pdf
- 基于主動學(xué)習(xí)的多標(biāo)簽圖像分類方法研究.pdf
- 面向膠囊內(nèi)鏡小腸圖像的分類算法研究.pdf
- 基于主動學(xué)習(xí)的高光譜圖像分類方法研究.pdf
- 結(jié)合主動學(xué)習(xí)的半監(jiān)督分類算法優(yōu)化研究.pdf
- 基于集成學(xué)習(xí)技術(shù)的圖像分類算法研究.pdf
- 面向局部特征和特征表達(dá)的圖像分類算法研究.pdf
- 面向遙感圖像分類算法的流程可視化研究.pdf
- 面向感知的圖像場影及情感分類算法研究.pdf
- 面向高光譜遙感圖像分類的流形學(xué)習(xí)研究.pdf
- 基于特征學(xué)習(xí)的微血管圖像分類算法研究.pdf
- 高光譜圖像特征學(xué)習(xí)與分類算法研究.pdf
- 面向圖像檢索和分類任務(wù)的稀疏特征學(xué)習(xí).pdf
- 面向花卉圖像的精細(xì)圖像分類研究.pdf
- 面向跨域分類的圖像視覺屬性學(xué)習(xí)方法研究.pdf
評論
0/150
提交評論