2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩57頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、以計算機技術、微電子技術和通信技術為特征的現(xiàn)代信息技術的發(fā)展帶來了越來越多的多媒體數(shù)據(jù)。由于圖像信息內容豐富、表現(xiàn)直觀,一直是人們非常重要的信息獲取來源。如何從海量圖像信息中檢索出需要的圖像,以滿足人們的不同需求,已成為研究者重點關注的問題。早期基于文本的圖像檢索,因主觀性和不確定性等缺陷已無法滿足人們需求。基于內容的圖像檢索技術依賴于圖像的低層視覺特征,與人們理解的圖像高層語義之間并沒有直接的聯(lián)系。如何突破圖像低層視覺特征的限制,跨越

2、低層特征與高層語義之間的“語義鴻溝”,實現(xiàn)語義層次上的檢索,已成為圖像檢索領域研究的熱點與難點。
   論文概述了圖像處理的基礎知識,介紹了圖像檢索技術的發(fā)展狀況及主要研究內容,分析了現(xiàn)有的圖像檢索技術的優(yōu)缺點,引入了圖像語義的概念,論述了圖像語義中的熱點及關鍵問題,提出了論文研究的重點-高效圖像語義提取方法。論文首先研究了基于SVM的圖像語義分類方法,選取不同的低層視覺特征作為特征組合,并使用不同核函數(shù)將圖像從低維特征空間映射

3、到高層語義空間,以解決低層特征與高層語義之間的“語義鴻溝”。仿真結果發(fā)現(xiàn),基于SVM的圖像語義分類方法具有較高的分類準確率,最高可達到84.5%。SVM在假設空間中尋找最接近實際分類函數(shù)的單個分類器模型,無法結合多個分類器,性能提升空間有限。
   為了更好地建立圖像低層特征和高層語義的聯(lián)系,有效提升圖像分類性能,論文研究了集成學習的圖像語義分類方法,提出了基于Bagging和Adaboost算法的兩種集成學習分類方法。根據(jù)不同

4、原則選取訓練子集并構建各自的基分類器,然后采用不同的集成策略將基分類器形成組合分類器以實現(xiàn)圖像分類,最后分析了不同集成學習方法的分類性能的優(yōu)劣。仿真結果表明,集成學習方法能有效提升弱學習器的分類效果,基于Bagging算法的分類準確率可達到87%,Adaboost算法的分類準確率可達到89.5%,由于對錯分數(shù)據(jù)的訓練更具有針對性,且對效率高的子分類器賦予較高權值,基于Adaboost算法的集成學習方法更適合于圖像分類。
   最

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。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,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確性、安全性和完整性, 同時也不承擔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。

評論

0/150

提交評論