基于集成學習和深度學習的應用研究.pdf

1、基于機器學習的模式識別系統(tǒng)通常由兩部分組成:特征提取和分類。針對特征提取，本文既嘗試了手工設計新的特征，又研究了學習來的特征的優(yōu)勢。由于通常情況下，集成分類器優(yōu)于單個的基分類器，本文選擇集成分類器作為模式識別器?？傊?，本文主要研究集成學習和深度學習及其應用，并針對細胞膜的分割和視網膜的分割分別提出了對應的解決方法。
　　本文的研究內容主要有兩部分:基于層次級特征和隨機森林的細胞膜分割方法、基于特征學習和集成學習的層次級視網膜圖像分

2、割方法。
　　提出一種基于層次級特征和隨機森林的細胞膜分割方法。鑒于細胞顯微圖像的局部聚簇性，首先定義和提取了層次級特征HLFs，層次級特征可被視為一種更合理、更自然的特征表示方法。然后，將層次級特征用于訓練隨機森林來進行細胞膜的分割，進而提出針對細胞膜分割的HLFs-RF方法。在ISBI2012競賽數(shù)據(jù)集上的實驗結果表明:1）層次級特征整合了特征表達豐富的像素級特征和具有一定語義特征的超像素級特征的優(yōu)勢。2）與原有固定大小和形狀

3、的方形窗鄰域下上文信息相比，層次級特征能夠自適應的調節(jié)單個像素點周圍的鄰域信息，較好的描述了局部錯綜復雜的微觀結構，提高了用于細胞膜分割的模式識別系統(tǒng)的識別性能。3）而且，與同類方法相比，HLFs-RF方法即使在低維特征和小樣本的情況下，依然能取得良好的實驗效果。同時，還提出一種基于超像素的典型樣本點選擇方法，精簡了樣本空間，減少了樣本之間的冗余。
　　提出了一種基于卷積神經網絡和隨機森林的層次級視網膜圖像分割方法。由于CNN能夠

4、自行從原始圖像學習到具有普適性的特征，傳統(tǒng)分類器RF又具有優(yōu)越的分類性能。這就很自然的想到整合CNN和RF兩種分類器的優(yōu)勢，使得整個模式識別系統(tǒng)的流程都是全自動的(automatic)和可訓練的(trainable)。具體來說，CNN的作用是可訓練的層次級特征提取器，然后選擇隨機森林來訓練CNN提取到的層次級特征。值得指出的是對于學習來的特征，本文不僅使用了CNN最后一層的特征，還使用了中間層的特征。并將CNN各層學習來的特征分別用于訓

5、練隨機森林，最后將各個隨機森林的輸出結果采用勝者為王集成學習方法進行集成。
　　本文提出的基于層次級特征和隨機森林的細胞膜分割方法，層次級特征具有很強的區(qū)分力，所提方法取得了良好的分割效果。后續(xù)工作重點主要集中于兩方面:一方面是更有區(qū)別力的超像素特征的定義和提取;另一方面是設計使用新的分類算法以使HLFs得到更好的利用。
　　整合特征學習和傳統(tǒng)分類器的研究不但具有重要的理論意義，還有廣闊的應用空間。本文提出的基于特征學習和傳