基于局部泛化误差的半监督图像检索方法

基于局部泛化误差的半监督图像检索方法

论文摘要

局部泛化误差模型是一种评估分类器泛化能力的新型误差模型,以往关于该误差模型的主要研究都集中在分类器的结构选择和特征选择上,本文是局部泛化误差模型在样本选择领域的初步尝试,在此基础上提出了基于局部泛化误差模型的协同学习算法,并将其应用于基于内容图像检索中。在基于内容的图像检索中,已标注的训练样本往往比较有限,而大量存在的是未标注的样本,如何利用这些未标注的样本提高图像检索的精度,是近年来的研究热点。与完全依赖训练集的全监督学习方法不同,半监督学习方法可以有效地利用未标注样本。其中,协同学习通过两个条件独立又具有充分分类能力的特征子集构造出两个不同的分类器,训练好的每个分类器通过挑选出信任度最高的未标注样本并赋予其最可靠的类别标识,添加到另一个分类器的训练集合中。反复执行以上操作直到结果满意为止。通过这种方法,可以有效地扩充训练集合,弥补训练样本不足的问题。在协同学习中,样本的选择至关重要,以往的研究都是以样本的后验概率(或近似)作为信任度的评估标准。本文提出了基于局部泛化误差的样本选择策略,以样本的局部泛化误差值作为信任度评估标准,在协同学习过程中选取出具有较小泛化误差值的未标注样本给另一分类器。本文分别用图像的颜色和纹理特征构造两个不同的径向基函数神经网络,结合协同学习思想实现基于内容的图像检索,通过大量实验表明基于局部泛化误差的样本选择方法比传统的信任度评估标准选择出的样本更加准确,检索精度得到了很大提高。图像检索中为有效减少用户相关反馈的次数,本文采用了基于局部泛化误差的主动学习方法,反馈一些具有较大局部泛化误差值的不确定信息样本让用户进行标注。实验表明,这种方法比随机反馈的方法更加有效。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 基于内容的图像检索的研究背景
  • 1.2 基于内容的图像检索的研究意义
  • 1.3 研究现状及分析
  • 1.4 本文内容及组织
  • 1.4.1 本文内容
  • 1.4.2 本文的组织
  • 第2章 基础背景知识
  • 2.1 MPEG-7 特征描述子
  • 2.1.1 MPEG-7 简介
  • 2.1.2 颜色纹理提取
  • 2.2 协同学习算法
  • 2.3 本章小结
  • 第3章 局部泛化误差模型简介
  • 3.1 引言
  • 3.2 Q-邻域
  • 3.3 局部泛化误差模型
  • 3.4 随机敏感度
  • 3.5 局部泛化误差的特点
  • 3.6 本章小结
  • 第4章 基于局部泛化误差的半监督图像检索
  • 4.1 引言
  • 4.2 样本的局部泛化误差模型
  • 4.2.1 样本Q-邻域下的随机敏感度
  • 4.2.2 样本的局部泛化误差值
  • 4.3 基于局部泛化误差的样本选择策略
  • 4.3.1 基于局部泛化误差的协同学习
  • 4.3.2 具体算法描述
  • 4.4 基于局部泛化误差的半监督图像检索方法
  • 4.4.1 半监督图像检索
  • 4.4.2 相关反馈
  • 4.4.3 具体算法描述
  • 4.5 本章小结
  • 第5章 实验结果及分析
  • 5.1 实验配置
  • 5.2 对比实验
  • 5.3 评估标准
  • 5.3.1 查准率和查全率
  • 5.3.2 损益平衡点
  • 5.3.3 检索秩
  • 5.4 实验结果及分析
  • 5.4.1 10 类图像检索结果
  • 5.4.2 50 类图像检索结果
  • 5.5 本章小结
  • 结论
  • 参考文献
  • 攻读硕士学位期间发表的学术论文
  • 致谢
  • 相关论文文献

    • [1].改进的局部泛化误差模型及其在特征选择中的应用[J]. 中国科技信息 2015(10)
    • [2].局部泛化误差模型的改进及其在特征选择中的应用[J]. 梧州学院学报 2009(03)
    • [3].加权融合方法的泛化误差分解[J]. 计算机工程与应用 2008(12)
    • [4].泛化误差界指导的鉴别字典学习[J]. 计算机应用 2019(04)
    • [5].基于支持向量机泛化误差界的多核学习方法[J]. 武汉大学学报(理学版) 2012(02)
    • [6].基于局部泛化误差模型的RBFNN的启发式训练方法[J]. 保定学院学报 2008(04)
    • [7].集成学习的泛化误差和AUC分解理论及其在权重优化中的应用[J]. 计算机学报 2019(01)
    • [8].基于人工免疫网络的神经网络集成方法[J]. 计算机工程 2008(23)
    • [9].泛化误差的各种交叉验证估计方法综述[J]. 计算机应用研究 2015(05)
    • [10].ANN集成的训练误差收敛和泛化误差有界的证明[J]. 广东水利电力职业技术学院学报 2008(04)
    • [11].改进的并行随机森林算法及其包外估计[J]. 计算机应用研究 2018(06)
    • [12].基于PLC控制的大型机械设备实时监测方法[J]. 信息与电脑(理论版) 2020(12)
    • [13].数据–知识融合的机器学习(2):泛化风险[J]. 中国电机工程学报 2019(16)
    • [14].基于泛化理论的集成神经网络优化算法[J]. 计算机仿真 2013(11)
    • [15].神经网络集成的设计与应用[J]. 现代计算机(专业版) 2008(04)
    • [16].粗糙集预测算法的稳定性分析[J]. 西北师范大学学报(自然科学版) 2018(03)
    • [17].随机森林在降水量长期预报中的应用[J]. 南水北调与水利科技 2016(01)
    • [18].基于神经网络集成的数字调制模式识别[J]. 航天电子对抗 2013(03)
    • [19].学习算法的稳定性与泛化:一种新的稳定性框架[J]. 数学学报 2009(03)
    • [20].降水预报的神经网络集成方法的改进[J]. 统计与决策 2008(10)
    • [21].Out-of-bag样本的应用研究[J]. 软件 2011(03)
    • [22].基于均衡7×2交叉验证的模型选择方法[J]. 太原师范学院学报(自然科学版) 2013(01)
    • [23].基于SVM的RSM模型拟合方法研究[J]. 管理科学学报 2008(01)
    • [24].基于粗糙集约简的神经网络集成及其遥感图像分类应用[J]. 中国图象图形学报 2008(03)
    • [25].人脸特征选择中的SVM泛化误差估计[J]. 光学精密工程 2008(08)
    • [26].基于积分算子空间显式描述的框架核选择方法[J]. 中国科学:信息科学 2016(02)
    • [27].基于文化算法的神经网络集成方法[J]. 山东师范大学学报(自然科学版) 2008(01)

    标签:;  ;  ;  ;  ;  

    基于局部泛化误差的半监督图像检索方法
    下载Doc文档

    猜你喜欢