基于多標簽學習的圖像分類研究.pdf

1、隨著互聯(lián)網(wǎng)技術的迅猛發(fā)展和各種存儲設備性能的大幅提升，各種圖像數(shù)據(jù)數(shù)量飛速增加，如何對海量的圖像數(shù)據(jù)進行有效管理成為了一個亟需解決的問題。為每幅圖像分配相應的類別標簽從而達到分類目的是有效管理圖像數(shù)據(jù)的主要方式。早期，圖像分類大多只是基于單標簽學習方法，即一幅圖像只對應一個類別標簽，這種單標簽學習方法簡單易行，且在一般應用上已取得很大成功，在真實世界中，一幅圖像包含的信息只用一個類別標簽無法完全概括，所以采用多標簽學習方法才更符合實際。

2、現(xiàn)有的基于多標簽學習的圖像分類算法仍不夠完善，很多都忽略了標簽間可能存在的相關性，只是分析每個獨立標簽，且不能很好地處理不平衡數(shù)據(jù)。這些問題往往會導致分類結果中出現(xiàn)較多誤分類和漏分類的現(xiàn)象。
　　本文在綜合分析已有的基于多標簽學習的分類算法的基礎上，考慮到類別標簽間的二階相關性，給出相關性計算方法，在此基礎上提出了基于標簽相關性的ML-kNN分類算法，針對改進后的算法不能很好地解決數(shù)據(jù)不平衡問題，將標簽組合策略和改進的SVM方法融

3、合起來，提出了基于標簽相關性和近鄰統(tǒng)計的SVM分類算法。論文的主要工作如下:
　　(1)提出基于標簽相關性的ML-kNN多標簽分類算法，該算法通過對訓練數(shù)據(jù)集中每個標簽和對應示例的學習，獲得標簽相關性大小的計算方式。在此基礎上充分考慮圖像類別標簽之間的二階相關性，采用標簽組合擴展了原始的標簽集合。實驗表明，該算法可以改善多標簽分類的性能。
　　(2)提出基于近鄰標簽統(tǒng)計的SVM多標簽分類算法，該算法充分考慮類別標簽所對應的示

4、例可能存在交集，利用SMOTE進行過抽樣，并使用Biased-SVM進行分類。在測試階段對測試示例的近鄰進行標簽投票統(tǒng)計并搜索到最相關的標簽組合，依次利用二階、一階分類器來做出分類判斷。實驗表明，該算法可以提高覆蓋率較低標簽的識別率。
　　(3)提出基于標簽相關性和近鄰統(tǒng)計的SVM分類算法，該算法通過對標簽覆蓋率ε的選取，將改進的ML-kNN算法與改進的SVM算法有效結合。實驗結果表明，該算法具備良好的性能。
　　(4)開發(fā)