基于多標(biāo)簽學(xué)習(xí)的圖像分類研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展和各種存儲(chǔ)設(shè)備性能的大幅提升，各種圖像數(shù)據(jù)數(shù)量飛速增加，如何對(duì)海量的圖像數(shù)據(jù)進(jìn)行有效管理成為了一個(gè)亟需解決的問(wèn)題。為每幅圖像分配相應(yīng)的類別標(biāo)簽從而達(dá)到分類目的是有效管理圖像數(shù)據(jù)的主要方式。早期，圖像分類大多只是基于單標(biāo)簽學(xué)習(xí)方法，即一幅圖像只對(duì)應(yīng)一個(gè)類別標(biāo)簽，這種單標(biāo)簽學(xué)習(xí)方法簡(jiǎn)單易行，且在一般應(yīng)用上已取得很大成功，在真實(shí)世界中，一幅圖像包含的信息只用一個(gè)類別標(biāo)簽無(wú)法完全概括，所以采用多標(biāo)簽學(xué)習(xí)方法才更符合實(shí)際。

2、現(xiàn)有的基于多標(biāo)簽學(xué)習(xí)的圖像分類算法仍不夠完善，很多都忽略了標(biāo)簽間可能存在的相關(guān)性，只是分析每個(gè)獨(dú)立標(biāo)簽，且不能很好地處理不平衡數(shù)據(jù)。這些問(wèn)題往往會(huì)導(dǎo)致分類結(jié)果中出現(xiàn)較多誤分類和漏分類的現(xiàn)象。
　　本文在綜合分析已有的基于多標(biāo)簽學(xué)習(xí)的分類算法的基礎(chǔ)上，考慮到類別標(biāo)簽間的二階相關(guān)性，給出相關(guān)性計(jì)算方法，在此基礎(chǔ)上提出了基于標(biāo)簽相關(guān)性的ML-kNN分類算法，針對(duì)改進(jìn)后的算法不能很好地解決數(shù)據(jù)不平衡問(wèn)題，將標(biāo)簽組合策略和改進(jìn)的SVM方法融

3、合起來(lái)，提出了基于標(biāo)簽相關(guān)性和近鄰統(tǒng)計(jì)的SVM分類算法。論文的主要工作如下:
　　(1)提出基于標(biāo)簽相關(guān)性的ML-kNN多標(biāo)簽分類算法，該算法通過(guò)對(duì)訓(xùn)練數(shù)據(jù)集中每個(gè)標(biāo)簽和對(duì)應(yīng)示例的學(xué)習(xí)，獲得標(biāo)簽相關(guān)性大小的計(jì)算方式。在此基礎(chǔ)上充分考慮圖像類別標(biāo)簽之間的二階相關(guān)性，采用標(biāo)簽組合擴(kuò)展了原始的標(biāo)簽集合。實(shí)驗(yàn)表明，該算法可以改善多標(biāo)簽分類的性能。
　　(2)提出基于近鄰標(biāo)簽統(tǒng)計(jì)的SVM多標(biāo)簽分類算法，該算法充分考慮類別標(biāo)簽所對(duì)應(yīng)的示

4、例可能存在交集，利用SMOTE進(jìn)行過(guò)抽樣，并使用Biased-SVM進(jìn)行分類。在測(cè)試階段對(duì)測(cè)試示例的近鄰進(jìn)行標(biāo)簽投票統(tǒng)計(jì)并搜索到最相關(guān)的標(biāo)簽組合，依次利用二階、一階分類器來(lái)做出分類判斷。實(shí)驗(yàn)表明，該算法可以提高覆蓋率較低標(biāo)簽的識(shí)別率。
　　(3)提出基于標(biāo)簽相關(guān)性和近鄰統(tǒng)計(jì)的SVM分類算法，該算法通過(guò)對(duì)標(biāo)簽覆蓋率ε的選取，將改進(jìn)的ML-kNN算法與改進(jìn)的SVM算法有效結(jié)合。實(shí)驗(yàn)結(jié)果表明，該算法具備良好的性能。
　　(4)開(kāi)發(fā)