基于多示例多標(biāo)記學(xué)習(xí)的自然場(chǎng)景圖像分類.pdf

1、近年來，互聯(lián)網(wǎng)的飛速發(fā)展和數(shù)碼相機(jī)、電腦及智能手機(jī)等工具的普及使用，導(dǎo)致圖像信息爆炸式增長(zhǎng)，如何對(duì)這些圖像進(jìn)行分類也便成為了一個(gè)亟待解決的問題。像自然場(chǎng)景這樣較復(fù)雜的圖像，傳統(tǒng)的監(jiān)督學(xué)習(xí)框架已經(jīng)不能滿足所需要求，學(xué)者們又相繼提出了多示例學(xué)習(xí)框架、多標(biāo)記學(xué)習(xí)框架和多示例多標(biāo)記（MIML）學(xué)習(xí)框架。
　　本文主要是將多示例多標(biāo)記學(xué)習(xí)框架應(yīng)用到自然場(chǎng)景圖像的分類中，展開了對(duì)多示例多標(biāo)記學(xué)習(xí)算法的研究學(xué)習(xí)，并針對(duì)基于RBF神經(jīng)網(wǎng)絡(luò)的MIM

2、L算法進(jìn)行了改進(jìn)，本文的主要工作如下：
　?。?）MIML學(xué)習(xí)算法處理的是包含多個(gè)示例的包，包生成方法的好壞直接影響到最終的分類結(jié)果。本文研究并實(shí)現(xiàn)了基于固定區(qū)域和基于圖像分割的兩類包生成方法，通過實(shí)驗(yàn)證明，在自然場(chǎng)景圖像分類中，SBN（Single Blob with Neighbors）包生成方法效果較好。
　?。?）針對(duì)自然場(chǎng)景圖像分類，研究并實(shí)現(xiàn)了 MIMLBOOST、MIMLSVM、M3MIML和MIML-KNN等

3、算法：MIMLBOOST和MIMLSVM是基于退化策略的，它們假設(shè)示例間或標(biāo)簽間是相互獨(dú)立的，損失了很多的有用信息；而M3MIML和MIML-KNN則考慮了示例和標(biāo)簽的相關(guān)性信息。通過實(shí)驗(yàn)表明，考慮了相關(guān)性信息的M3MIML和MIML-KNN算法在分類效果上要優(yōu)于未考慮相關(guān)性信息的MIMLBOOST和MIMLSVM算法。
　　（3）基于神經(jīng)網(wǎng)絡(luò)對(duì) MIML展開了進(jìn)一步研究，主要分析了基于RBF神經(jīng)網(wǎng)絡(luò)的MIML算法，并針對(duì)該算法進(jìn)

4、行改進(jìn)——為平均Hausdorff距離引入一個(gè)自動(dòng)調(diào)節(jié)系數(shù)。通過實(shí)驗(yàn)表明：①針對(duì)自然場(chǎng)景圖像分類的 MIML算法中，基于 RBF網(wǎng)絡(luò)的算法要優(yōu)于基于 BP網(wǎng)絡(luò)，也優(yōu)于其他傳統(tǒng)算法；②在最大Hausdorff、最小Hausdorff、平均Hausdorff和三種Hausdorff距離均值這四種度量方式中，采用平均 Hausdorff距離的分類效果最好；③針對(duì)平均Hausdorff距離削弱了兩包之間最近示例距離所起作用的問題，改進(jìn)之后的平均