计算机工程与科学
計算機工程與科學
계산궤공정여과학
COMPUTER ENGINEERING & SCIENCE
2014年
7期
1371-1376
,共6页
图像检索%支持向量机%主动学习%“V”型删除法%最优选择法
圖像檢索%支持嚮量機%主動學習%“V”型刪除法%最優選擇法
도상검색%지지향량궤%주동학습%“V”형산제법%최우선택법
image retrieval%SVM%active learning%"V"elimination method%optimal selection method
在基于内容的图像检索中,支持向量机(SVM)能够很好地解决小样本问题,而主动学习算法则可以根据学习进程主动选择最佳的样本进行学习,大幅度缩短训练时间,提高分类算法效率.为使图像检索更加快速、高效,提出一种新的基于SVM和主动学习的图像检索方法.该方法根据SVM构造分类器,通过“V”型删除法快速缩减样本集,同时通过最优选择法从缩减样本集中选取最优的样本作为训练样本,最终构造出不仅信息度大而且冗余度低的最优训练样本集,从而训练出更好的SVM分类器,得到更高的检索效率.实验结果表明,与传统的SVM主动学习的图像检索方法相比,该方法能够较大幅度提高检索性能.
在基于內容的圖像檢索中,支持嚮量機(SVM)能夠很好地解決小樣本問題,而主動學習算法則可以根據學習進程主動選擇最佳的樣本進行學習,大幅度縮短訓練時間,提高分類算法效率.為使圖像檢索更加快速、高效,提齣一種新的基于SVM和主動學習的圖像檢索方法.該方法根據SVM構造分類器,通過“V”型刪除法快速縮減樣本集,同時通過最優選擇法從縮減樣本集中選取最優的樣本作為訓練樣本,最終構造齣不僅信息度大而且冗餘度低的最優訓練樣本集,從而訓練齣更好的SVM分類器,得到更高的檢索效率.實驗結果錶明,與傳統的SVM主動學習的圖像檢索方法相比,該方法能夠較大幅度提高檢索性能.
재기우내용적도상검색중,지지향량궤(SVM)능구흔호지해결소양본문제,이주동학습산법칙가이근거학습진정주동선택최가적양본진행학습,대폭도축단훈련시간,제고분류산법효솔.위사도상검색경가쾌속、고효,제출일충신적기우SVM화주동학습적도상검색방법.해방법근거SVM구조분류기,통과“V”형산제법쾌속축감양본집,동시통과최우선택법종축감양본집중선취최우적양본작위훈련양본,최종구조출불부신식도대이차용여도저적최우훈련양본집,종이훈련출경호적SVM분류기,득도경고적검색효솔.실험결과표명,여전통적SVM주동학습적도상검색방법상비,해방법능구교대폭도제고검색성능.
