基于多示例的集成學(xué)習(xí)理論與應(yīng)用研究.pdf

1、多示例學(xué)習(xí)是繼監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)之后的第四類機(jī)器學(xué)習(xí)框架。與以往的三大學(xué)習(xí)框架不同,多示例學(xué)習(xí)的訓(xùn)練數(shù)據(jù)中樣本與示例是不同的概念。多示例學(xué)習(xí)作為一種新型的學(xué)習(xí)模式,近幾年來受到學(xué)者們的高度重視,并成為研究的熱點(diǎn),廣泛的應(yīng)用于機(jī)器視覺、圖像處理等應(yīng)用領(lǐng)域。本文比較系統(tǒng)地研究多示例學(xué)習(xí),將其與集成學(xué)習(xí)相結(jié)合,探討基于多示例的集成學(xué)習(xí)理論和方法,并將其應(yīng)用于目標(biāo)跟蹤和驗(yàn)證碼識(shí)別這兩個(gè)領(lǐng)域。本論文具體工作如下:
　?、疟疚氖紫?/p>

2、深入研究了多示例集成學(xué)習(xí)基礎(chǔ)理論和基本原理,然后詳細(xì)介紹三種具有代表性的MILBoost算法理論,以及闡述這三種算法分別應(yīng)用于目標(biāo)檢測(cè)、跟蹤和識(shí)別三個(gè)方面的優(yōu)點(diǎn)和應(yīng)用過程中存在的局限性,為后續(xù)目標(biāo)跟蹤和驗(yàn)證碼識(shí)別工作做好充足準(zhǔn)備。
　?、漆槍?duì)多示例學(xué)習(xí)目標(biāo)跟蹤算法自適應(yīng)獲取正包時(shí),正包中的正示例可能不具備辨別性,而且還易受到無益或有害示例的干擾,故不能很好的提取目標(biāo)的鑒別性特征,影響了跟蹤算法的穩(wěn)健性。因此提出一種基于核密度估計(jì)的

3、權(quán)重示例選擇方法。先依據(jù)距離目標(biāo)近的樣本貢獻(xiàn)大;而距離遠(yuǎn)的貢獻(xiàn)小的原則,設(shè)置示例的權(quán)值大小,隨后建立核密度估計(jì)函數(shù)來精簡(jiǎn)正包中的示例,剔除正包中無益示例或者有害示例,最后利用精簡(jiǎn)后的樣本數(shù)據(jù)對(duì)MILBoost算法進(jìn)行訓(xùn)練學(xué)習(xí),實(shí)現(xiàn)對(duì)目標(biāo)的實(shí)時(shí)跟蹤。
　　⑶針對(duì)某網(wǎng)站動(dòng)態(tài)驗(yàn)證碼字符種類多,形狀和大小差異大,以及該驗(yàn)證碼引入時(shí)間維度增加識(shí)別難度等特點(diǎn)。本文采用MILBoost算法來識(shí)別動(dòng)態(tài)驗(yàn)證碼,然而在識(shí)別過程中會(huì)出現(xiàn)由部分匹配而導(dǎo)致