基于特征學習的多示例多標記學習研究.pdf

1、隨著互聯(lián)網(wǎng)和多媒體技術的迅速發(fā)展，每天都有海量的數(shù)據(jù)產(chǎn)生，其中就包含著海量的圖像、文本等數(shù)據(jù)，如何有效地利用和管理這類圖像、文本數(shù)據(jù)，日益成為科研和商業(yè)需要解決的一個問題。對于這些海量的圖像、文本等數(shù)據(jù)，數(shù)據(jù)呈現(xiàn)出給我們的不再是簡單的單一的內容形式，現(xiàn)實生活中呈現(xiàn)出的更多是具有復雜內容的多義性的樣本數(shù)據(jù)，如何有效地處理這類多義性樣本數(shù)據(jù)，是當前科研的一個難點。在處理具有復雜內容的多義性對象時，一種比較有效的處理方法是多示例多標記學習方法

2、。在這種方法下，用多示例的方法來表示樣本數(shù)據(jù)的復雜內容，用多標記的方法來表示樣本數(shù)據(jù)的多個語義，通過提取示例的特征，對特征和標記之間建立模型，從而達到識別多語義樣本數(shù)據(jù)的目的。
　　然而，在建立算法模型時，提取什么樣的特征，怎么來表示提取的特征，從根源上關系到多示例多標學習方法的識別效果?；谶@一點，本文根據(jù)現(xiàn)有的底層特征提取方法、中層語義特征提取方法、特征學習如深度學習技術等，將這些技術融入到多示例多標記學習方法中，提出了一種通

3、用的多示例多標記學習框架模型。本文的主要研究內容如下:
　　(1)通過研究特征學習技術、多示例多標記學習技術等，挖掘算法中的不足，在現(xiàn)有理論方法的基礎上，將特征學習技術融入到多示例多標記學習中，提出了一種通用的多示例多標記學習框架，該模型框架可以很好地改善現(xiàn)有多示例多標記學習方法中的不足。
　　(2)在通用模型框架的基礎上，提出了一種基于主題模型的多示例多標記學習方法(CPNMIML)，在該方法中，算法的特征學習模型采用的是

4、概率潛在語義分析模型(PLSA)，該特征學習模型是一種淺層的特征學習模型，其特征學習的能力有限，因此，基于卷積神經(jīng)網(wǎng)絡的多示例多標記學習方法(CNNMIML)應用而生，卷積神經(jīng)網(wǎng)絡是深度學習的一種模型，具備良好的特征學習能力。
　　在多示例多標記學習方法中，研究者已經(jīng)提出了很多算法，而MIMLBOOST和MIMLSVN是兩個比較典型的算法，因此，在進行實驗結果對比時，本文將提出的方法和MIMLBOOST和MIMLSVN這兩種方法分