摘要
该文基于稀疏编码和集成学习提出了一种新的多示例多标记图像分类方法。首先,利用训练包中所有示例学习一个字典,根据该字典计算示例的稀疏编码系数;然后基于每个包中所有示例的稀疏编码系数计算包特征向量,从而将多示例多标记问题转化为多标记问题;最后利用多标记分类算法进行求解。为了提高分类器的泛化能力,对多个分类器进行集成。在多示例多标记图像数据集上的实验结果表明所提方法与其它方法相比有更好的性能。
This paper presents a novel multi-instance multi-label image classification method based on sparse coding and ensemble learning. First, a dictionary is learned based on all the instances in the training bags, and the sparse coding coefficient of each instance is calculated according to the dictionary; Second~ a bag feature vector is computed based on all the sparse coding coefficients of the bag. Multi-instance multi-label issue is transformed into multi-label issue that can be solved by the multi-label Mgorithm. Ensemble learning is involved to enhance further the classifiers＇ generalization. Experimental results on proposed method is superior to the state-of-art methods multi-instance multi-label image data show that the in terms of metrics.
出处
《电子与信息学报》
EI
CSCD
北大核心
2013年第3期622-626,共5页
Journal of Electronics & Information Technology
基金
国家自然科学基金(61272282
61173090
61072106
61072108
60970067
60971112
60971128)
国家973计划项目(2013CB329402)
教育部"长江学者和创新团队发展计划"(IRT1170)
高等学校学科创新引智计划(111计划)(B07048)资助课题
关键词
图像分类
多示例多标记学习
稀疏编码
集成学习
Image classification
Multi-instance multi-label learning
Sparse coding
Ensemble learning
作者简介
宋相法：男，1975年生，博士生，讲师，从事图像处理、模式识别、机器学习方面的研究．通信作者：宋相法xiangfasong@163．com
焦李成：男，1959年生，博士生导师，教授，从事自然计算、信号和图像处理、智能信息处理方面的研究．
