基于12C距离和标记相关性的多标记场景分类.pdf

《基于12C距离和标记相关性的多标记场景分类.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第41卷第1期计算机科学Vo1．41No．12014年1月ComputerScienceJan2014基于I2C距离和标记相关性的多标记场景分类郝虹计华张化祥刘丽(山东师范大学信息科学与工程学院济南250014)(山东省分布式计算机软件新技术重点实验室济南250014)摘要将改进的ML-I2C与基于标记相关性的方法结合，提出一种改进的多标记场景分类方法。首先提取所有图像的SURF特征，将每个类用一个特征集来表示；然后采用改进的I2C方法来计算待测图像与已知类之间的距离，根据距离进行标记排序；最后根据排

2、序，利用标记相关性来预测待测图像的所有可能标记。实验结果表明，该方法对多标记场景分类的准确率较高。关键词多标记学习，场景分类，I2C距离，卡方检验中图法分类号TP181文献标识码AMulti-labelSceneClassificationBasedonI2CDistanceandLabelDependencyHAOHongJIHuaZHANGHua-xiangLIULi(SchoolofInformationScienceandEngineering，ShandongNormalUniversity

3、，Jinan250014，China)(ShandongProvincialKeyLaboratoryforNovelDistributedComputerSoftwareTechnology，Jinan250014，China)AbstractCombiningimprovedML_I2Candthecorrelationbetweenlabels，weproposedamodifiedmuhi-labe1sceneclassificationmethod．First，thesURFfeatureo

4、fallimagesiSextracted，andeachclassiSrepresentedwithafeatureset．Second，theimprovedI2Cmethodisadoptedtocalculatethedistancebetweenaqueryimageandeachclass，gettingalabelrankhasedonthedistance．Last，1abelcorrelationiSusedfor1abe1predictionaccordingtothe1abe1r

5、ank．Experi—mentshowsthatthismethodachievesahigheraccuracyrateonmulti-labelsceneclassification．KeywordsMulti-labellearning，Sceneclassification，I2Cdistance，Chi-squaretest架(Multi-instanceMulti-label，后文简写为MIML)，并将其应1引言用于场景分类，他们将多标记多示例学习分成多标记学习和多标记学习是机器学习的一个

6、重要分支，在传统的单标多示例学习，相应地提出了分别以这两种学习为桥梁的记学习中，一个样例只对应一个标记，但是，在真实世界中，往MIML-SVM算法和MIML-Boost算法。为了防止分解缺失往不止一个标记。比如，一篇关于游泳运动员孙杨的报道文有用信息，他们又提出了一种M3MIML[]方法，优化了多标本，它可能属于几个类别：运动类、传记类等；电影《1942》既可记场景分类。以标记为历史片，也可以标记为灾难片；一幅场景图像可以属在多标记学习中，研究人员经常把多标记问题转化为多于海洋同时也属于日落。上述问题

7、仅使用单标记学习方法是个独立的二类分类问题，这样就忽略了标记之间的相关性，在不容易解决的，此时多标记学习方法就显示出它的优势了。真实样例中，考虑到标记相关性对于多标记学习是非常重要多标记学习最初是用于解决文档分类时的歧义性问题，的[。在多标记学习框架下，每个对象由一个示例表示而且对应于场景分类是图像分类的一部分，图像分类对于预测未知多个类标记。目前，多标记学习已经广泛应用于多个领域，其图像类标来说是很重要的，一幅图像一般包含的对象很多，所中除了最初的文档分类，还包括生物信息领域以及场景分类。以可能其标

8、记也会很多，但是二类分类或多类分类只会赋予BoutellE1]等人首次将多标记学习应用于场景分类，构建图像一个标记，而多标记学习正适合这种图像分类。同时，近了一种用于场景分类的多标记学习框架。此后相继出现了几些年基于I2C(image-to-class)距离的相关算法在图像分类问种不同的方法，具有代表性的方法有ML-kNNE、InsDif~3_题上效果显著[1o,l1]。等，也有很多研究人员将这些基本方法进行改进，使其效果更OrenBoiman和EliS