基于多示例多标记学习的图像分类

《基于多示例多标记学习的图像分类》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号学号２（０１５１３７０３００９１学校．代码０４８８密．级硕士学位论文基于多示例多标记学习的图像分类学位申请人：闵婕学科专业：计算机科学与技术指导教师：张鸿答辩日期：２０１８．０５．１９ADissertationSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterinEngineeringImageClassificationBasedOnMulti-instanceMulti-labelLearningMasterCandidate：JieMinMa

2、jor：ComputerscienceandtechnologySupervisor：Prof.ZhangWuhanUniversityofScienceandTechnologyWuhan,Hubei430081,P.R.ChinaMay19,2018武汉科技大学研究生学位论文创新性声明，本人郑重声明：所呈交的学位论文是本人在导师指导下独立进行研宄所取得的成果。除了文中已经注明引用的内容或属合作研宄共同完成的工作外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。

3、申请学位论文与资料若有不实之处一，本人承担切相关责任。：：碰论文作雜名－日期叫研究生学位论文版权使用授权声明本论文的研宄成果归武汉科技大学所有，其研宄内容不得以其它单位的名义发表。本人完全了解武汉科技大学有关保留、使用学位论文的规定，同意学校保留并向有关部门（按照《武汉科技大学关于研究生学位论文收录工作的规定》执行送交论文的复印件和电子版本，允）许论文被查阅和借阅，同意学校将本论文的全部或部分内容编入学校认可的国家相关数据库进行检索和对外服务。＿闯论文作者签名：—４．＾指导教师签名：喊日期：摘要随着当今社会互联网

4、技术与信息技术的快速发展，以及图像多媒体等设备的普及，图像数据信息量日益剧增。因此，如何将这些图像进行有效而准确地分类管理成为了一个亟待解决的技术难题和研究热点。本文的主要工作如下：首先，针对传统的距离度量方法不能准确地度量包与包之间距离的问题，本文提出了自调节距离度量方法，该方法可根据不同的数据集特点自动调节距离，使得距离度量更加精准。并且提出了基于自调节距离度量的多示例多标记图像分类算法。其次，在不平衡样本集情况下，多示例多标记径向基函数神经网络产生隐层神经元数量不平衡，训练时忽略了样本较少的类，使得分类效果变差。针对该问题，本文提出了图像分类中径向基函数神经网

5、络结构优化算法。该算法在第一阶段根据训练集分布情况优化各个类别上的神经元数量以及其中心和宽度，使得不平衡样本集中各个类别上的神经元处于平衡，降低不平衡样本对网络性能的影响。在Zhou等学者建立的自然场景图像数据集中，将本文提出的两种改进算法与经典图像分类算法分别进行对比，实验结果验证了本文算法的有效性与优越性。关键词：图像分类；神经网络；距离度量；多示例多标记IAbstractWiththerapiddevelopmentofInternettechnologyandinformationtechnologyintoday'ssociety,andthepopula

6、rizationofmultimediadevicessuchasimages,theamountofinformationinimagedatahasincreaseddramatically.Therefore,howtoclassifytheseimageseffectivelyandaccuratelyhasbecomeatechnicalproblemandresearchhotspottobesolvedurgently.Themainworkofthisarticleisasfollows:Firstofall,forthetraditionaldis

7、tancemeasurementmethodcannotaccuratelymeasurethedistancebetweenthepackageandthepackage,thispaperproposesaself-adjusteddistancemeasurementmethod,thismethodcanautomaticallyadjustthedistanceaccordingtothecharacteristicsofdifferentdatasets,makingthedistancemeasurementmoreaccurate.Andprop