计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2014年
8期
2399-2403
,共5页
半监督支持向量机%均值漂移%标签均值%图像分类
半鑑督支持嚮量機%均值漂移%標籤均值%圖像分類
반감독지지향량궤%균치표이%표첨균치%도상분류
Semi-Supervised Support Vector Machine (S3VM)%mean shift%label mean%image classification
标签均值半监督支持向量机(meanS3VM)在图像分类中随机选取少量无标记样本训练分类器的正确率较低,且其参数取值使结果波动性较大,针对这一问题,提出基于均值漂移(mean shift)的meanS3VM图像分类方法.以mean shift平滑图为分类对象,以降低图像特征多样性;在每个平滑区域随机选取一个样本作为无标记样本,以保证其携带对分类有用的信息而得到高效的分类器;探讨并改进参数取值方法,网格寻优敏感参数,参数ep结合支持向量机(SVM)预分类和mean shift结果估计,以获取更好更稳定的结果.实验结果表明,所提方法对普通和加噪图像的分类正确率比改进参数取值的原算法分别平均提高1和5个百分点以上,获得了更高的时间效率,且有效避免了分类结果的波动性,适用于图像分类.
標籤均值半鑑督支持嚮量機(meanS3VM)在圖像分類中隨機選取少量無標記樣本訓練分類器的正確率較低,且其參數取值使結果波動性較大,針對這一問題,提齣基于均值漂移(mean shift)的meanS3VM圖像分類方法.以mean shift平滑圖為分類對象,以降低圖像特徵多樣性;在每箇平滑區域隨機選取一箇樣本作為無標記樣本,以保證其攜帶對分類有用的信息而得到高效的分類器;探討併改進參數取值方法,網格尋優敏感參數,參數ep結閤支持嚮量機(SVM)預分類和mean shift結果估計,以穫取更好更穩定的結果.實驗結果錶明,所提方法對普通和加譟圖像的分類正確率比改進參數取值的原算法分彆平均提高1和5箇百分點以上,穫得瞭更高的時間效率,且有效避免瞭分類結果的波動性,適用于圖像分類.
표첨균치반감독지지향량궤(meanS3VM)재도상분류중수궤선취소량무표기양본훈련분류기적정학솔교저,차기삼수취치사결과파동성교대,침대저일문제,제출기우균치표이(mean shift)적meanS3VM도상분류방법.이mean shift평활도위분류대상,이강저도상특정다양성;재매개평활구역수궤선취일개양본작위무표기양본,이보증기휴대대분류유용적신식이득도고효적분류기;탐토병개진삼수취치방법,망격심우민감삼수,삼수ep결합지지향량궤(SVM)예분류화mean shift결과고계,이획취경호경은정적결과.실험결과표명,소제방법대보통화가조도상적분류정학솔비개진삼수취치적원산법분별평균제고1화5개백분점이상,획득료경고적시간효솔,차유효피면료분류결과적파동성,괄용우도상분류.
