基于集成學(xué)習(xí)技術(shù)的圖像分類算法研究.pdf

1、集成學(xué)習(xí)是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域研究的一大熱點(diǎn),因其具備顯著增強(qiáng)學(xué)習(xí)機(jī)泛化性能的能力和有效解決學(xué)習(xí)機(jī)過學(xué)習(xí)問題的優(yōu)點(diǎn),而備受研究者的關(guān)注。本文就是從集成學(xué)習(xí)的角度來研究圖像分類問題,以Bag-of-Words模型描述圖像、以SVM為分類器,提出了兩種基于集成學(xué)習(xí)技術(shù)的圖像分類方法,并取得了較好的效果。本文的主要研究工作如下:
　　(1)對SVM、Bag-of-Words(BOW)模型以及集成學(xué)習(xí)技術(shù)進(jìn)行了研究,三者貫穿全文是本文研究工作

2、的基礎(chǔ)。
　　(2)對SIFT和PLSA兩種特征提取方法進(jìn)行了深入研究,兩者在本文后兩章研究工作中起著至關(guān)重要的作用。
　　(3)提出了一種SVM集成的圖像分類方法。主要是針對單分類器沒有充分考慮數(shù)據(jù)集的特征而不能很好地完成分類識別,提出了一種基于集成學(xué)習(xí)技術(shù)的SVM集成的圖像分類方法。分類器的獨(dú)立性和差異性是決定集成效果的關(guān)鍵性因素。該方法則是基于近些年來非常受歡迎的BOW模型描述圖像方法的基礎(chǔ)上,利用訓(xùn)練生成的不同SVM

3、分類器對測試圖像進(jìn)行分類,并將分類結(jié)果采用集成學(xué)習(xí)算法進(jìn)行集成后輸出。分別采用傳統(tǒng)的BOW模型的圖像分類方法和本文提出的方法進(jìn)行分類實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果對比表明采用SVM集成的圖像分類方法明顯提高了分類精度,具有一定的魯棒性。
　　(4)提出了一種PLSA結(jié)合SVM集成的圖像分類方法。該方法其實(shí)質(zhì)是對BOW模型和集成學(xué)習(xí)技術(shù)相結(jié)合進(jìn)行圖像分類的又一次有效運(yùn)用。首先,運(yùn)用SIFT算法對圖像進(jìn)行關(guān)鍵性特征的提取,之后并對特征進(jìn)行K-mean