计算机学报
計算機學報
계산궤학보
CHINESE JOURNAL OF COMPUTERS
2009年
2期
252-260
,共9页
姜映映%田丰%王绪刚%戴国忠
薑映映%田豐%王緒剛%戴國忠
강영영%전봉%왕서강%대국충
符号识别%自适应学习%模板匹配%SVM%分类器组合%组件
符號識彆%自適應學習%模闆匹配%SVM%分類器組閤%組件
부호식별%자괄응학습%모판필배%SVM%분류기조합%조건
在草图符号的自适应学习中,不同用户的训练样本数量可能不同,保持在不同样本数量下良好的学习效果成为需要解决的一个重要问题.提出一种自适应的草图符号识别方法,该方法采用与训练样本个数相关的分类器组合策略将模板匹配方法和SVM统计分类方法进行了高效组合.它通过利用支持小样本学习的模板匹配方法和支持大量样本学习的SVM方法,并同时利用草图符号中的在线信息和离线信息,实现了不同样本个数下自适应的符号学习和识别.基于该方法,文中设计并实现了支持自适应识别的草图符号组件.最后,利用扩展的PIBGToolkit开发出原型系统IdeaNote.评估表明,该方法可以在24类草图符号分别使用1到20个训练样本时具有较高的识别正确率和较好的时间性能.
在草圖符號的自適應學習中,不同用戶的訓練樣本數量可能不同,保持在不同樣本數量下良好的學習效果成為需要解決的一箇重要問題.提齣一種自適應的草圖符號識彆方法,該方法採用與訓練樣本箇數相關的分類器組閤策略將模闆匹配方法和SVM統計分類方法進行瞭高效組閤.它通過利用支持小樣本學習的模闆匹配方法和支持大量樣本學習的SVM方法,併同時利用草圖符號中的在線信息和離線信息,實現瞭不同樣本箇數下自適應的符號學習和識彆.基于該方法,文中設計併實現瞭支持自適應識彆的草圖符號組件.最後,利用擴展的PIBGToolkit開髮齣原型繫統IdeaNote.評估錶明,該方法可以在24類草圖符號分彆使用1到20箇訓練樣本時具有較高的識彆正確率和較好的時間性能.
재초도부호적자괄응학습중,불동용호적훈련양본수량가능불동,보지재불동양본수량하량호적학습효과성위수요해결적일개중요문제.제출일충자괄응적초도부호식별방법,해방법채용여훈련양본개수상관적분류기조합책략장모판필배방법화SVM통계분류방법진행료고효조합.타통과이용지지소양본학습적모판필배방법화지지대량양본학습적SVM방법,병동시이용초도부호중적재선신식화리선신식,실현료불동양본개수하자괄응적부호학습화식별.기우해방법,문중설계병실현료지지자괄응식별적초도부호조건.최후,이용확전적PIBGToolkit개발출원형계통IdeaNote.평고표명,해방법가이재24류초도부호분별사용1도20개훈련양본시구유교고적식별정학솔화교호적시간성능.