

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、圖像分類(lèi)是在語(yǔ)義層獲取視覺(jué)信息的重要手段,有著廣泛的應(yīng)用價(jià)值。但在現(xiàn)實(shí)中圖像往往呈現(xiàn)出同類(lèi)間的多樣性與不同類(lèi)間的相關(guān)性,使得圖像分類(lèi)仍然極具挑戰(zhàn)。利用局部多核學(xué)習(xí)技術(shù)學(xué)習(xí)多種視覺(jué)特征在當(dāng)前分類(lèi)任務(wù)下分類(lèi)每一幅圖像所需的最優(yōu)組合,可以極大地減少同類(lèi)間的多樣性,與不同類(lèi)間的相關(guān)性對(duì)圖像分類(lèi)的負(fù)面影響。而基于交替優(yōu)化的局部多核學(xué)習(xí)不僅具有可保證的計(jì)算復(fù)雜度,還能有效地防范局部模型的過(guò)匹配,因此,本文主要研究基于交替優(yōu)化的局部多核學(xué)習(xí)圖像區(qū)分特
2、征的方法,從設(shè)計(jì)新的形式化與優(yōu)化算法,結(jié)合分布特性的局部啟發(fā)式模型,及其在構(gòu)建生物啟發(fā)式圖像分類(lèi)模型中的應(yīng)用這三個(gè)方面,深入系統(tǒng)地展開(kāi)了以下四項(xiàng)研究工作:
1)在設(shè)計(jì)新的形式化與優(yōu)化算法的研究中,本文提出一種基于樣本級(jí)的交替優(yōu)化策略用于求解任意范數(shù)約束下的局部多核學(xué)習(xí)(即 S-LMKL)。算法上,S-LMKL在繼承交替優(yōu)化優(yōu)點(diǎn)的同時(shí)提供了一種直接求解局部核權(quán)值的策略。經(jīng)驗(yàn)實(shí)驗(yàn)上,與經(jīng)典的MKL與最新的局部學(xué)習(xí)算法相比,S-LM
3、KL在四類(lèi)機(jī)器學(xué)習(xí)基準(zhǔn)數(shù)據(jù)庫(kù)(UCI數(shù)據(jù)庫(kù))與兩類(lèi)場(chǎng)景圖像數(shù)據(jù)庫(kù)上能夠更有效地學(xué)習(xí)每一幅圖像的分區(qū)特征,且具有令人滿意的學(xué)習(xí)時(shí)間。
2)在設(shè)計(jì)新的形式化與優(yōu)化算法的研究中,本文提出一種基于半定規(guī)劃松弛技術(shù)進(jìn)行任意范數(shù)約束下的局部多核學(xué)習(xí)策略(即 SDP-LMKL)。理論上,SDP松弛可保證這類(lèi)非凸問(wèn)題的強(qiáng)結(jié)果。算法上,SDP-LMKL在繼承交替優(yōu)化優(yōu)點(diǎn)的同時(shí)提供了一種直接求解局部核權(quán)值的策略。經(jīng)驗(yàn)實(shí)驗(yàn)上,在十個(gè)基準(zhǔn)機(jī)器學(xué)習(xí)數(shù)據(jù)
4、庫(kù)(UCI數(shù)據(jù)庫(kù))上的實(shí)驗(yàn)與多種統(tǒng)計(jì)檢驗(yàn)證明與經(jīng)典的MKL和最新的局部學(xué)習(xí)算法相比SDP-LMKL能夠更有效地刻畫(huà)每一樣本的多樣性,且在多種分類(lèi)任務(wù)中具有更為魯棒的分類(lèi)性能。
3)在結(jié)合分布特性構(gòu)建局部啟發(fā)式模型的研究中,本文提出一種基于概率置信核(PCK)的局部多核學(xué)習(xí)算法(即PCK-LMKL)。PCK通過(guò)挖掘類(lèi)別概率密度分布與類(lèi)別預(yù)測(cè)置信間的關(guān)系,定義了基于概率預(yù)測(cè)的類(lèi)別屬性間的相似性。該模型一方面更合理地刻畫(huà)了局部特性;
5、另一方面,預(yù)定義的概率密度函數(shù)保證了模型對(duì)測(cè)試數(shù)據(jù)的有效推廣。通過(guò)交替優(yōu)化學(xué)得的PCK-LMKL在十個(gè)標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)(UCI數(shù)據(jù)庫(kù))與兩個(gè)圖像分類(lèi)數(shù)據(jù)庫(kù)上的經(jīng)驗(yàn)實(shí)驗(yàn)上取得優(yōu)于經(jīng)典的MKL與最新的局部學(xué)習(xí)算法的結(jié)果。
4)在構(gòu)建生物啟發(fā)式圖像分類(lèi)模型的研究中,本文提出一種分類(lèi)任務(wù)引導(dǎo)的生物啟發(fā)式要點(diǎn)模型(即BT-gist)。通過(guò)對(duì)多分辨率空間布局特征引入PCK-LMKL,BT-Gist有效地模擬了人眼快速準(zhǔn)確進(jìn)行場(chǎng)景分類(lèi)的兩
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 圖像分類(lèi)中的局部不變特征研究.pdf
- 基于多核學(xué)習(xí)的醫(yī)學(xué)圖像模式分類(lèi).pdf
- 基于局部特征的圖像分類(lèi)研究.pdf
- 基于局部特征的圖像分類(lèi)方法研究.pdf
- 醫(yī)學(xué)圖像分類(lèi)中的特征融合與特征學(xué)習(xí)研究.pdf
- 基于區(qū)分性字典學(xué)習(xí)的圖像分類(lèi)的研究.pdf
- 面向局部特征和特征表達(dá)的圖像分類(lèi)算法研究.pdf
- 基于局部特征分類(lèi)的圖像分割算法研究.pdf
- 基于局部特征的空間目標(biāo)圖像分類(lèi).pdf
- 融合全局和局部特征的醫(yī)學(xué)圖像分類(lèi).pdf
- 基于局部特征的SAR圖像地物分類(lèi)方法研究.pdf
- 基于特征學(xué)習(xí)的圖像場(chǎng)景分類(lèi).pdf
- 基于局部特征醫(yī)學(xué)圖像分類(lèi)中關(guān)鍵技術(shù)研究.pdf
- 人臉識(shí)別中基于圖像局部結(jié)構(gòu)的特征提取與分類(lèi)研究.pdf
- 基于圖像特征空間學(xué)習(xí)的圖像分類(lèi)方法研究.pdf
- 基于稀疏特征學(xué)習(xí)的復(fù)雜圖像分類(lèi).pdf
- 全方位舌像特征提取及多核學(xué)習(xí)分類(lèi).pdf
- 基于局部圖像特征的目標(biāo)識(shí)別和分類(lèi)方法研究.pdf
- 基于局部特征的礦物浮選泡沫圖像分類(lèi)與工況識(shí)別.pdf
- 基于視覺(jué)計(jì)算和混合尺度局部特征的圖像分類(lèi)方法.pdf
評(píng)論
0/150
提交評(píng)論