- 1、本文档共9页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
分组训练和测试
中图法分类号:TP391.4 文献标识码:A 文章编号:
论文引用格式:
壁画图像分类中的分组多实例学习方法
唐大伟,鲁东明,许端清
(浙江大学 计算机科学与技术学院,浙江 杭州 310027)
摘 要:目的:针对壁画图像具有较大类内差异以及具有较强背景噪音的特点,提出一种分组多实例学习的策略,实现对不同年代风格的壁画图像分类。方法:将样本空间划分为不同的子空间,每一个子空间中的所有训练样本训练分类器模型,测试阶段,根据测试样本落到的子空间来选择不同的分类模型对测试样本进行分类。在各个子空间训练分类器时,我们将每一幅壁画图像样本看作多个实例的组成,采用多实例学习的方式来训练分类器。训练过程中,我们引入隐变量用于标识每一个实例,隐变量的存在使得分类器的优化问题不是一个凸问题,无法用梯度下降法去直接求解,本文中我们采用迭代的方式训练Latent SVM作为每一个子空间的分类器。结果:实验结果表明本文方法在壁画图像的分类上与传统方法相比提高了平均5%的精度。结论:本文分组多实例学习的策略在壁画分类问题中能够较大程度的解决图像的类内差异以及背景噪音对分类结果造成的影响。
关键词 :壁画图像;图像分类;多实例学习;Latent SVM
Clustered multiple instance learning for mural image classification
Tang Dawei, Lu Dongming, Xu Duanqing
(College of Computer Science and Technology, Zhejiang University, Hangzhou 310027, China)
Abstract: Objective: For the mural images have large intra class variance and strong background noise, we present a clustered multiple instance learning strategy to classify murals of different periods and styles. Method: We divide the sample space into several different sub-spaces, and a classification model is trained for each sub-space with training samples falling into this sub-space. In testing stage, we choose a classification model for the testing sample according to the sub-space it falls into. In each classifier’s training, we treat each mural image sample as a “bag” which contains a set of instances, and we use multiple instance learning to train the classifier. In training process, we introduce hidden variables to identify each instance, the presence of hidden variables makes the classifier’s optimization problem not convex which can’t be directly solved using gradient descent. In this paper we use an iterative process to train Latent SVM as the classifier for each sub-space. Result: The experimental results indicate that our classification model can improve the classification accuracy of mural images by about 5% with comparison to the baseline method. Conclusion: The strategy proposed in this paper can reduce the impact with a great de
文档评论(0)