基于主動式分析的相對屬性學.pdf

1、屬性學習作為語義學習的主要分支之一,是當前視覺領域的研究熱點。屬性學習,包括二值屬性和相對屬性,是依靠人為定義一些具有具體含義的屬性名稱,通過判斷圖像或者視頻中是否存在相應的屬性,從而更為精確地描述物體與場景。屬性學習與眾多語義學習方法相同,在智能監(jiān)控、機器人視覺等方面,均具有重要的研究價值和應用背景。
　　目前針對屬性學習已有大量的研究工作,然而這些研究均忽略了一個重要問題。在傳統(tǒng)的屬性學習算法中,由于同一圖像或者視頻包含多種屬

2、性,因此在為屬性建模的過程中,將需要大量的屬性標簽信息。獲取標簽信息的工作不僅費時而且費力,無法滿足實際應用中的需要。因此,我們希望利用主動學習策略,從大量的無標簽數(shù)據(jù)中挖掘具有代表性的標簽信息,從而建立具有普適性的屬性模型,這樣能夠極大地減少獲取標簽信息時所產(chǎn)生的時間消耗和體力消耗。
　　針對上述問題,本文首先通過研究相對屬性建模中RankSVM-with-Sim模型的性質,發(fā)現(xiàn)基于最小化模型版本空間(VersionSpaceR

3、eduction)的主動學習算法和基于最大化模型變化(ExpectedModelChange)的主動學習算法的局限性,如版本空間的平分界面無法確定及無標簽樣本的標簽估計問題等。為了解決上述局限性,本文進一步提出基于樣本多樣化與模型梯度最大化的主動學習算法。該算法主要包含兩步,首先利用模型梯度最大化策略,實現(xiàn)樣本所包含信息量大小的判定,進而選取信息量較大的多個無標簽樣本;其次利用樣本多樣化策略,通過類內方差最小化使得待標注樣本間的共有信息