基于小樣本學(xué)習(xí)的圖像檢索研究.pdf

1、上海交通大學(xué)博士學(xué)位論文基于小樣本學(xué)習(xí)的圖像檢索研究姓名：徐杰申請(qǐng)學(xué)位級(jí)別：博士專業(yè)：模式識(shí)別與智能系統(tǒng)指導(dǎo)教師：施鵬飛20041001摘要iiFisherDiscriminant)變換空間內(nèi)利用Gaussian混合分布對(duì)所有標(biāo)記與未標(biāo)記圖像的分布進(jìn)行建模并根據(jù)提出的加權(quán)EM算法與貝葉斯分類器基于用戶提供的標(biāo)記樣本與數(shù)據(jù)庫(kù)內(nèi)未標(biāo)記圖像學(xué)習(xí)得到用戶查詢概念實(shí)驗(yàn)結(jié)果顯示所提算法利用未標(biāo)記樣本解決了基于小樣本的監(jiān)督學(xué)習(xí)方法面臨的泛化問(wèn)題根據(jù)少

2、量標(biāo)記樣本即可獲取用戶查詢概念4提出基于KMeans方法的TransductiveSVM算法以提高學(xué)習(xí)的效率與性能基于KMeans方法提供的低層特征空間內(nèi)的圖像分布信息計(jì)算各聚類內(nèi)部的互信息以預(yù)測(cè)邊界的可能位置并對(duì)圖像庫(kù)內(nèi)未標(biāo)記樣本加以選擇然后利用TSVM基于所有用戶標(biāo)記樣本與所選擇的未標(biāo)記樣本進(jìn)行分類學(xué)習(xí)得到以正例樣本表示的查詢概念返回給用戶實(shí)驗(yàn)證明所提方法能夠提高TSVM分類器的效率與性能在少數(shù)迭代后即可準(zhǔn)確收斂于用戶定義的查詢概念

3、算法同時(shí)克服了TSVM在未標(biāo)記樣本增多時(shí)性能下降的問(wèn)題5提出基于不確定性的主動(dòng)學(xué)習(xí)算法以降低學(xué)習(xí)器在查詢優(yōu)化過(guò)程中所需標(biāo)記圖像的數(shù)量同時(shí)加快學(xué)習(xí)過(guò)程改善學(xué)習(xí)器自身及其所得結(jié)果該方法將半監(jiān)督學(xué)習(xí)與主動(dòng)學(xué)習(xí)進(jìn)行融合進(jìn)一步提高基于加權(quán)EM的半監(jiān)督學(xué)習(xí)算法的檢索性能實(shí)驗(yàn)結(jié)果顯示該方法可使得用戶標(biāo)記樣本得到更加有效的利用改善和加速用戶查詢優(yōu)化過(guò)程6提出基于預(yù)測(cè)偏差的主動(dòng)學(xué)習(xí)算法根據(jù)TSVM與相似性測(cè)度對(duì)于樣本的類別預(yù)測(cè)差異來(lái)計(jì)算所能獲得的期望信息