直推式支持向量机研究及其在图像检索中的应用

论文摘要

基于内容的图像检索(CBIR)是计算机视觉和其它计算机科学领域的研究热点,但图像的低层特征与高层语义之间的巨大语义鸿沟束缚了CBIR的发展。基于支持向量机(SVM)的相关反馈机制被认为是一种可以有效跨越该鸿沟的策略,但这种方法没有利用未标记样本的隐含信息。为更好地利用这些信息,本论文提出将直推式支持向量机(TSVM)作为反馈过程中的学习算法,并在此基础上展开进一步研究,主要包括以下三方面的内容:第一,将TSVM引入到CBIR问题中。相比于SVM,TSVM具有更强的泛化能力,因此TSVM应用于CBIR是可行的;分析图像检索问题的需求,选择非渐进的TSVM逼近算法作为反馈过程中的学习算法;根据TSVM获得较好应用的文本分类问题中所用特征向量的特点,设计了一种颜色稀疏特征,并将其与纹理特征结合。实验结果表明无论选取SVM或TSVM进行学习,本文提出的混合特征在检索效果上都是最好的。第二,将TSVM引入到CBIR的同时也产生了一些新问题,这些问题主要有TSVM的检索结果并没有明显好于SVM,TSVM学习所需的时间远多于SVM,TSVM的分类性能随反馈次数增加没有明显改进。为此引入主动学习和增量学习来解决这些问题。通过主动学习选择分类器置信度最低的样本提供给用户进行标记,通过增量学习可以将用户前几次提供的反馈信息加以利用。以上的改进取得了令人满意的结果,同时也说明TSVM可以在文本分类以外的领域获得良好应用。第三,设计并实现了一个基于TSVM的检索系统。该系统将本论文提出的各种算法集成在一个平台上,既可以作为图像检索的演示系统,也可以作为记录结果的实验平台。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题的背景及意义
• 1.2 基于内容的图像检索概述
• 1.2.1 特征提取
• 1.2.2 查询算法
• 1.2.3 典型图像检索系统QBIC
• 1.3 本课题的主要研究内容
• 第2章 图像检索中的直推式SVM反馈学习
• 2.1 引言
• 2.2 半监督和转导思想
• 2.2.1 半监督算法
• 2.2.2 转导思想
• 2.3 直推式支持向量机
• 2.3.1 概述
• 2.3.2 TSVM逼近算法
• 2.4 图像检索中的TSVM
• 2.4.1 TSVM的直观解释
• 2.4.2 反馈算法
• 2.4.3 图像低层特征分析
• 2.5 颜色稀疏特征
• 2.6 实验结果及分析
• 2.6.1 实验设计
• 2.6.2 实验结果
• 2.6.3 实验分析
• 2.7 本章小结
• 第3章 直推式SVM反馈学习的改进
• 3.1 引言
• 3.2 主动学习
• 3.2.1 主动学习思想
• 3.2.2 TSVM主动学习算法
• 3.3 增量学习
• 3.3.1 增量学习思想
• 3.3.2 TSVM增量学习算法
• 3.4 实验结果和分析
• 3.4.1 实验结果
• 3.4.2 实验分析
• 3.5 本章小结
• 第4章 基于TSVM的图像检索系统
• 4.1 引言
• 4.2 图像检索数据处理的流程
• 4.3 系统描述
• 4.3.1 特征提取
• 4.3.2 参数设置
• 4.3.3 反馈过程
• 4.3.4 主界面
• 4.4 本系统运行所需要的环境
• 4.5 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢
• 个人简历