基于稀疏表示的多示例图像分类

为了有效地解决多示例图像分类问题,基于稀疏表示提出了一种新的多示例图像分类方法.该方法将图像看作多示例包,图像中的区域作为包中示例,利用示例嵌入策略计算包特征;然后将待分类图像包特征表示为训练图像包特征集上的稀疏线性组合,利用Z1优化方法求得稀疏解;最后根据稀疏系数提出一个为待分类图像预测标记的方法.在Corel数据集上的实验结果表明,与其他方法相比,所提方法具有更高的分类精度.     

基于多示例学习的图像表示方法

提出一种基于多示例学习的图像表示方法,将图像作为多示例包,用高斯滤波器将图像滤波并取样为由颜色区域构成的矩阵,使用单颜色及相邻区域(single blob with neighbors)的包生成方法。根据用户选择的实例图像生成正包和负包,使用MIL-SVDD_I和MIL-SVDD_B算法进行实验。实验表明该图像表示方法是可行的。     

多示例学习在多ROI乳腺肿瘤分类中的应用

在传统超声乳腺肿瘤分类系统中,ROI提取算法的精确性很大程度上决定了最终分类效果的好坏,同时传统分类系统中每个样本都要求只提取肿瘤ROI,在样本被提取出多个ROI的情况下传统分类算法适用性差.本文提出了两种适合于本类图像的包结构构造方法,首先将多示例学习算法引入到超声乳腺肿瘤分类问题中,从而解决了上述多ROI分类问题.通过实验验证,文中方法在此类问题中较传统超声乳腺肿瘤分类方法分类效果有较大提高.     

基于多示例学习的图像标注方法

随着数码产品,移动智能设备以及存储设备的普及,大数据时代已经来临,如何对海量数据进行有效的组织、管理、存储成为科研以及商业领域急需解决的问题,在图像数据挖掘当中,图像标注分类是当前比较热门的方向。采用机器学习的方法来找到大规模数据当中的隐含规律,实现样本的视觉内容到概念的映射需要对视觉数据内容进行恰当的描述,如果我们使用整个的图像作为基本单元,存在的问题就是视觉数据往往具有歧义性,难以准确表述包含的语义,多示例学习方法应运而生。图像分类问题本身是一种多标签问题,传统方法将其转化为一系列的单标签问题解决,忽略了标签之间的相关性,我们将标签相关性引入到模型构建当中,实验取得良好效果。     

基于多示例学习的图像标注方法

随着数码产品,移动智能设备以及存储设备的普及,大数据时代已经来临,如何对海量数据进行有效的组织、管理、存储成为科研以及商业领域急需解决的问题,在图像数据挖掘当中,图像标注分类是当前比较热门的方向。采用机器学习的方法来找到大规模数据当中的隐含规律,实现样本的视觉内容到概念的映射需要对视觉数据内容进行恰当的描述,如果我们使用整个的图像作为基本单元,存在的问题就是视觉数据往往具有歧义性,难以准确表述包含的语义,多示例学习方法应运而生。图像分类问题本身是一种多标签问题,传统方法将其转化为一系列的单标签问题解决,忽略了标签之间的相关性,我们将标签相关性引入到模型构建当中,实验取得良好效果。     

包空间多示例图像自动分类

为了有效地解决多示例图像自动分类问题,提出一种将多示例图像转化为包空间的单示例描述方法.该方法将图像视为包,图像中的区域视为包中的示例,根据具有相同视觉区域的样本都会聚集成一簇,用聚类算法为每类图像确定其特有的“视觉词汇”,并利用负包示例标注确定的这一信息指导典型“视觉词汇”的选择;然后根据得到的“视觉词汇”构造一个新的空间—包空间,利用基于视觉词汇定义的非线性函数将多个示例描述的图像映射到包空间的一个点,变为单示例描述;最后利用标准的支持向量机进行监督学习,实现图像自动分类.在Corel图像库的图像数据集上进行对比实验,实验结果表明该算法具有良好的图像分类性能.     

图像语义分析的多示例学习算法综述

多示例学习(MIL)作为第4种机器学习框架,已在图像语义分析中得到了广泛应用.首先介绍MIL的起源、特点、相关概念和数据集;然后以图像语义分析为应用背景,对相关MIL算法进行详细综述,按照算法采用的学习机制对其进行分类,并重点分析了各类算法提出的思路和主要特点;最后,对MIL未来的研究方向作了探讨.     

一种用于图像分类的多视觉短语学习方法

针对词袋图像表示模型的语义区分性和描述能力有限的问题,以及由于传统的基于词袋模型的分类方法性能容易受到图像中背景、遮挡等因素影响的问题,本文提出了一种用于图像分类的多视觉短语学习方法.通过构建具有语义区分性和空间相关性的视觉短语取代视觉单词,以改善图像的词袋模型表示的准确性.在此基础上,结合多示例学习思想,提出一种多视觉短语学习方法,使最终的分类模型能反映图像类别的区域特性.在一些标准测试集合如Calrech-101[1]和Scene-15[2]上的实验结果验证了本文所提方法的有效性,分类性能分别相对提高了约9％和7％.     

一种多特征结合的遥感图像分类方法

遥感图像分类是遥感图像分析和理解的基础,是遥感图像研究中的重要内容之一。为提高分类效果,遥感图像分类中通常需要综合运用多种特征。提出一个新的基于特征级融合的遥感图像分类方法。将多种图像空间特征和光谱特征分别作为分类器的输入,将各分类器的概率输出拼接起来作为中间层特征再进行分类。该方法有效避免了多特征直接拼接存在的尺度问题。在Indian93和Flightline C1两个数据集上的实验结果表明该方法具有一定优势。     

基于多核学习的多特征融合图像分类研究

图像分类任务是计算机视觉中的一个重要研究方向。组合多种特征在一定程度上能够使得图像分类准确度得到提高。然而,如何组合多种图像特征是一个悬而未决的难题。提出了一种基于多类多核学习的多特征融合算法,并应用到图像分类任务。算法在有效地利用多核学习自动选取对当前任务有价值特征的优势的同时,避免了在多核学习中将多类问题分解为多个二分问题。在图像特征表示方面,使用字典自学习方法。实验结果表明,提出的算法能够有效地提高图像分类的准确度。     

基于局部纹理特征的超声甲状腺结节良恶性识别

为了实现超声甲状腺结节的自动分类,本文提出了一种利用局部纹理特征与多示例学习方法相结合以克服结节区域特征信息的重叠性。从感兴趣区域提取其局部纹理特征,将感兴趣区域看作由所有局部特征构成的示例包,再采用多示例学习方法中的Citation-kNN算法来实现对样本进行识别分类。实验结果表明,本文方法对超声甲状腺结节良恶性识别具有较高的分类准确率,且分类准确率达85.59%,可应用于甲状腺临床诊断并为其相关领域提供有效参考。     

一种基于多示例学习的局部离群点检测算法

提出了一种基于多示例学习（multi-instance learning,MIL）的局部离群点检测算法,称之为MIL-LOF（a local outlier factor based on multi-instance learning）．算法采用MIL框架,首先将真实对象提取为多示例形式,然后运用退化策略和权重调整方法,计算综合离群点因子,最后检测离群点．在实际企业监控数据以及公共数据集上将MIL-LOF与经典局部离群点检测算法及其优化算法进行了对比实验,结果表明本文提出的MIL-LOF算法在准确性、全面性及高效性上相对其他算法均可获得较为明显的提高．     

基于多示例学习的对象图像推荐算法

用户评分矩阵稀疏问题影响协同过滤的推荐性能。为此,提出一种基于多示例学习的对象图像推荐算法。将分割区域的视觉特征作为图像中的示例,利用多样性密度函数求得最大多样性密度点,使用正负图像内容评价不同用户间的相似性,将其与传统余弦相似性进行组合,从而实现推荐。实验结果表明,该算法提高了推荐性能。     

基于局部特征的图像快速分类算法

基于内容的图像快速分类是Web图像实时搜索和过滤的基础。通过分析图像特征分布特点,提出一个基于局部特征的图像快速分类算法。与目前算法相比,该算法仅需对图像的局部区域扫描分析,即可得到其颜色、纹理、形状等特征,并利用Bayesian分类器来实现图像的快速自动分类。相关对比实验证实,该算法能够快速、准确地实现图像分类。     

融合CNN与交互特征的多标签图像分类方法

图像在日常生活中广泛存在,图像分类具有重要的现实意义。针对当前多标签图像分类中因神经网络模型复杂以及提取到的图像特征信息不足而导致分类准确率较低、计算复杂度高等问题,提出一种融合卷积神经网络与交互特征的多标签分类方法,即MLCNN-IF模型。MLCNN-IF模型主要分成2步,首先参考传统CNN基本结构搭建一个仅有9层的轻量级神经网络(MLCNN),用于处理图像数据并提取特征;其次基于MLCNN提取的特征,通过交互特征方法产生各独立特征的组合特征,以此获得新的更丰富的特征集。实验结果表明,MLCNN-IF模型对比Alex Net、Goog Le Net和VGG16在4种多标签图像数据集上取得了更好的分类结果,其准确率和精准率分别平均提高9%和4.8%;同时MLCNN网络结构相对更简洁,有效降低了模型参数量和时间复杂度。     

深度强化学习的图像特征高效分类方法仿真

针对现有的图像特征分类方法收敛性差,分类无法满足日益增加的网络需求的现状,本文提出了一种基于深度强化学习的图像特征分类方法。通过对目标图像特征区域进行复域Contourlet分解,过滤处理分解结果,从而可以将目标图像子带系数矩阵提取出来,求取系数矩阵的相关特征。采取深度学习网络,使所选图像的特征向量直接经过已训练的层状网络深度模型,完成图像特征分类。实验结果表明,所提方法的误识率比现有方法明显降低,收敛速度明显提升。改进方法比传统方法更具优势,能够满足图像特征分类智能化处理的需要。     

基于抗噪声局部二值模式的纹理图像分类

局部二值模式(local binary pattern, LBP)特征是一种简单有效的纹理特征描述符,但是它的抗噪声能力较差.针对这一问题,提出一种对噪声较为鲁棒的纹理特征表示方法——抗噪声的完整增强局部二值模式(noise-tolerant complete enhanced LBP, CELBP\\+{NT}).该特征基于局部二值模式特征,对光照、旋转和噪声均具有较好的鲁棒性.其提取过程如下：1)根据LBP中各模式的结构和出现频率对特征中的模式重新分类,提出增强局部二值模式(enhanced LBP, ELBP)特征;2)添加差值的模值信息与中心像素信息,并根据图像尺寸自适应地调整其中的阈值,提出完整增强局部二值模式(complete ELBP, CELBP)特征;3)进一步将该特征进行多尺度下的表示,从而最终提出具有抗噪声能力的纹理特征——CELBP\\+{NT}.通过在常用的纹理数据库上添加不同强度和不同类型噪声的情况进行实验,结果表明：CELBP\\+{NT}不仅能够显著提升无噪声纹理图像的分类性能,而且对含有噪声的纹理图像分类也有显著的性能提高.     

融合显著信息的层次特征学习图像分类

高效的图像特征表示是计算机视觉的基础.基于图像的视觉显著性机制及深度学习模型的思想,提出一种融合图像显著性的层次稀疏特征表示用于图像分类.这种层次特征学习每一层都由3个部分组成：稀疏编码、显著性最大值汇聚(saliency max pooling)和对比度归一化.通过在图像层次稀疏表示中引入图像显著信息,加强了图像特征的语义信息,得到图像显著特征表示.相比于手工指定特征,该模型采用无监督数据驱动的方式直接从图像中学习到有效的图像特征描述.最后采用支持向量机(support vector machine, SVM)分类器进行监督学习,实现对图像进行分类.在2个常用的标准图像数据集(Caltech 101和Caltech 256)上进行的实验结果表明,结合图像显著性信息的层次特征表示,相比于基于局部特征的单层稀疏表示在分类性能上有了显著提升.