电子学报
電子學報
전자학보
ACTA ELECTRONICA SINICA
2013年
4期
763-767
,共5页
方景龙%王万良%王兴起%龙哲%祁萌
方景龍%王萬良%王興起%龍哲%祁萌
방경룡%왕만량%왕흥기%룡철%기맹
机器学习%模式分类%多示例学习%支持向量数据描述
機器學習%模式分類%多示例學習%支持嚮量數據描述
궤기학습%모식분류%다시례학습%지지향량수거묘술
将支持向量数据描述方法引入到多示例学习中,提出了三种基于SVDD的多示例学习方法:基于包分类和示例分类的SVDD多示例学习方法MI-SVDD和mi-SVDD,以及基于正示例预测的SVDD多示例学习方法SVDD-MILD_I.在MUSK数据集上的实验结果表明,MI-SVDD方法和mi-SVDD方法的精度与MI-SVM方法和mi-SVM的总体相当,SVDD-MILD_I方法的精度比较高,超过了我们已知的目前已发表的最好结果;对COREL图像库进行基于内容的图像检索的实验表明,SVDD-MILD_I方法的精度较高,并且比较好地区分了容易混淆的Beach类图像与Mountains类图像.
將支持嚮量數據描述方法引入到多示例學習中,提齣瞭三種基于SVDD的多示例學習方法:基于包分類和示例分類的SVDD多示例學習方法MI-SVDD和mi-SVDD,以及基于正示例預測的SVDD多示例學習方法SVDD-MILD_I.在MUSK數據集上的實驗結果錶明,MI-SVDD方法和mi-SVDD方法的精度與MI-SVM方法和mi-SVM的總體相噹,SVDD-MILD_I方法的精度比較高,超過瞭我們已知的目前已髮錶的最好結果;對COREL圖像庫進行基于內容的圖像檢索的實驗錶明,SVDD-MILD_I方法的精度較高,併且比較好地區分瞭容易混淆的Beach類圖像與Mountains類圖像.
장지지향량수거묘술방법인입도다시례학습중,제출료삼충기우SVDD적다시례학습방법:기우포분류화시례분류적SVDD다시례학습방법MI-SVDD화mi-SVDD,이급기우정시례예측적SVDD다시례학습방법SVDD-MILD_I.재MUSK수거집상적실험결과표명,MI-SVDD방법화mi-SVDD방법적정도여MI-SVM방법화mi-SVM적총체상당,SVDD-MILD_I방법적정도비교고,초과료아문이지적목전이발표적최호결과;대COREL도상고진행기우내용적도상검색적실험표명,SVDD-MILD_I방법적정도교고,병차비교호지구분료용역혼효적Beach류도상여Mountains류도상.