基于多特征的主動(dòng)學(xué)習(xí)方法在圖像分類中的應(yīng)用研究.pdf

1、隨著計(jì)算機(jī)、網(wǎng)絡(luò)、通信技術(shù)的飛速發(fā)展，各種形式的數(shù)字圖像呈爆炸式增長。圖像分類技術(shù)在對(duì)這些海量數(shù)據(jù)進(jìn)行高效分類及管理上具有重要研究意義。在圖像分類中，需要大量的標(biāo)注樣本，而標(biāo)注樣本需要消耗大量的人力、物力。為此，以降低標(biāo)注成本為目的主動(dòng)學(xué)習(xí)方法在圖像分類研究中受到了廣泛的關(guān)注。
　　主動(dòng)學(xué)習(xí)方法的基本思想是選取信息量較大的樣本來訓(xùn)練分類模型，以實(shí)現(xiàn)利用較少的標(biāo)注樣本達(dá)到預(yù)期分類精度的目的。然而，在主動(dòng)學(xué)習(xí)過程中數(shù)據(jù)往往基于單一特征

2、，選取的待標(biāo)注樣本信息量比較有限。為了進(jìn)一步提高標(biāo)注樣本信息量，本文對(duì)基于多特征的主動(dòng)學(xué)習(xí)方法進(jìn)行研究，并將其用于圖像分類。在基于多特征的主動(dòng)學(xué)習(xí)方法實(shí)現(xiàn)過程中，本文主要研究了多特征選取方法以及主動(dòng)學(xué)習(xí)方法中的采樣策略。在多特征選取方法的研究中，首先將多個(gè)基于不同特征的SVM進(jìn)行集成來解決基于多特征分類模型的構(gòu)建問題。然后對(duì)多特征選取方法進(jìn)行分析，提出了一種改進(jìn)的EPD多特征選取方法。在以往的采樣策略都是基于樣本單個(gè)特征，不適合直接用于

3、基于多特征的主動(dòng)學(xué)方法中。為了實(shí)現(xiàn)基于多特征的樣本采樣，本文提出了一種改進(jìn)的邊緣采樣方法。該方法在多個(gè)SVM模型上對(duì)未標(biāo)記樣本進(jìn)行預(yù)測，根據(jù)預(yù)測結(jié)果和樣本到超平面的距離選取不確定性樣本，在本文中將其稱為“基于多SVM的邊緣采樣”。
　　使用Corel和NUS-WIDE-CATEGORY數(shù)據(jù)集中的樣本對(duì)提出的方法進(jìn)行驗(yàn)證，并與其它方法進(jìn)行對(duì)比分析。在訓(xùn)練樣本數(shù)量相同的條件下，本文研究的方法有效地提高了分類精度;此外，在達(dá)到最佳分類效