基于ELM協(xié)同訓練的相關反饋.pdf

1、基于內(nèi)容的圖像檢索，是根據(jù)圖像自身所包含的顏色、紋理、形狀、空間關系等各種物理特征，在圖像數(shù)據(jù)庫中檢索具有相似特征的圖像。由于計算機自動抽取的圖像特征和人所理解的語義之間存在巨大的差異，因此引入相關反饋機制，可通過多次交互反饋信息，獲取用戶的查詢意圖，從而提高檢索性能。
　　相關反饋固然能夠提高檢索系統(tǒng)的正確率，但是系統(tǒng)的整體性能還受到分類算法的影響。作為現(xiàn)代神經(jīng)科學和統(tǒng)計學的研究成果，人工神經(jīng)網(wǎng)絡模型的一個重要應用就是不同類型數(shù)

2、據(jù)的分類。目前已有很多成熟的神經(jīng)網(wǎng)絡模型，極限學習機是近期出現(xiàn)的一種改進的單層前饋網(wǎng)絡，也是一種典型的監(jiān)督學習算法。與傳統(tǒng)的神經(jīng)網(wǎng)絡算法相比，極限學習機在確保較高泛化性能的同時，具有更快的處理速度，已經(jīng)受到了廣泛的關注。
　　在圖像檢索領域，對海量圖像數(shù)據(jù)的標記工作需要耗費大量的人力物力，因此，不可能全部利用有標記的圖像對學習機進行訓練，并且由于圖像數(shù)據(jù)維數(shù)較高，傳統(tǒng)的檢索算法處理速度較慢。本文針對上述問題進行了深入的研究，主要獲

3、得以下研究成果：
　　(1)提出了一種基于協(xié)同訓練的極限學習機算法，利用協(xié)同訓練對極限學習機進行改進，使其能夠同時利用有標記和無標記數(shù)據(jù)進行學習，成功實現(xiàn)了半監(jiān)督極限學習機。
　　(2)提出了半監(jiān)督極限學習機與相關反饋相結合的基于內(nèi)容的圖像檢索方法。首先對圖像進行低層特征提取，然后將用戶反饋信息作為新的訓練集，不斷訓練半監(jiān)督極限學習機，重新對圖像庫進行檢索，從而提高檢索正確率。
　　本文在Cancer、Waveform