基于小樣本學習的圖像檢索研究.pdf_第1頁
已閱讀1頁,還剩134頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、上海交通大學博士學位論文基于小樣本學習的圖像檢索研究姓名:徐杰申請學位級別:博士專業(yè):模式識別與智能系統(tǒng)指導教師:施鵬飛20041001摘要iiFisherDiscriminant)變換空間內利用Gaussian混合分布對所有標記與未標記圖像的分布進行建模并根據提出的加權EM算法與貝葉斯分類器基于用戶提供的標記樣本與數據庫內未標記圖像學習得到用戶查詢概念實驗結果顯示所提算法利用未標記樣本解決了基于小樣本的監(jiān)督學習方法面臨的泛化問題根據少

2、量標記樣本即可獲取用戶查詢概念4提出基于KMeans方法的TransductiveSVM算法以提高學習的效率與性能基于KMeans方法提供的低層特征空間內的圖像分布信息計算各聚類內部的互信息以預測邊界的可能位置并對圖像庫內未標記樣本加以選擇然后利用TSVM基于所有用戶標記樣本與所選擇的未標記樣本進行分類學習得到以正例樣本表示的查詢概念返回給用戶實驗證明所提方法能夠提高TSVM分類器的效率與性能在少數迭代后即可準確收斂于用戶定義的查詢概念

3、算法同時克服了TSVM在未標記樣本增多時性能下降的問題5提出基于不確定性的主動學習算法以降低學習器在查詢優(yōu)化過程中所需標記圖像的數量同時加快學習過程改善學習器自身及其所得結果該方法將半監(jiān)督學習與主動學習進行融合進一步提高基于加權EM的半監(jiān)督學習算法的檢索性能實驗結果顯示該方法可使得用戶標記樣本得到更加有效的利用改善和加速用戶查詢優(yōu)化過程6提出基于預測偏差的主動學習算法根據TSVM與相似性測度對于樣本的類別預測差異來計算所能獲得的期望信息

溫馨提示

  • 1. 本站所有資源如無特殊說明,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,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論