基于特征學(xué)習(xí)的多示例多標(biāo)記學(xué)習(xí)研究.pdf

1、隨著互聯(lián)網(wǎng)和多媒體技術(shù)的迅速發(fā)展，每天都有海量的數(shù)據(jù)產(chǎn)生，其中就包含著海量的圖像、文本等數(shù)據(jù)，如何有效地利用和管理這類圖像、文本數(shù)據(jù)，日益成為科研和商業(yè)需要解決的一個(gè)問題。對(duì)于這些海量的圖像、文本等數(shù)據(jù)，數(shù)據(jù)呈現(xiàn)出給我們的不再是簡單的單一的內(nèi)容形式，現(xiàn)實(shí)生活中呈現(xiàn)出的更多是具有復(fù)雜內(nèi)容的多義性的樣本數(shù)據(jù)，如何有效地處理這類多義性樣本數(shù)據(jù)，是當(dāng)前科研的一個(gè)難點(diǎn)。在處理具有復(fù)雜內(nèi)容的多義性對(duì)象時(shí)，一種比較有效的處理方法是多示例多標(biāo)記學(xué)習(xí)方法

2、。在這種方法下，用多示例的方法來表示樣本數(shù)據(jù)的復(fù)雜內(nèi)容，用多標(biāo)記的方法來表示樣本數(shù)據(jù)的多個(gè)語義，通過提取示例的特征，對(duì)特征和標(biāo)記之間建立模型，從而達(dá)到識(shí)別多語義樣本數(shù)據(jù)的目的。
　　然而，在建立算法模型時(shí)，提取什么樣的特征，怎么來表示提取的特征，從根源上關(guān)系到多示例多標(biāo)學(xué)習(xí)方法的識(shí)別效果?；谶@一點(diǎn)，本文根據(jù)現(xiàn)有的底層特征提取方法、中層語義特征提取方法、特征學(xué)習(xí)如深度學(xué)習(xí)技術(shù)等，將這些技術(shù)融入到多示例多標(biāo)記學(xué)習(xí)方法中，提出了一種通

3、用的多示例多標(biāo)記學(xué)習(xí)框架模型。本文的主要研究內(nèi)容如下:
　　(1)通過研究特征學(xué)習(xí)技術(shù)、多示例多標(biāo)記學(xué)習(xí)技術(shù)等，挖掘算法中的不足，在現(xiàn)有理論方法的基礎(chǔ)上，將特征學(xué)習(xí)技術(shù)融入到多示例多標(biāo)記學(xué)習(xí)中，提出了一種通用的多示例多標(biāo)記學(xué)習(xí)框架，該模型框架可以很好地改善現(xiàn)有多示例多標(biāo)記學(xué)習(xí)方法中的不足。
　　(2)在通用模型框架的基礎(chǔ)上，提出了一種基于主題模型的多示例多標(biāo)記學(xué)習(xí)方法(CPNMIML)，在該方法中，算法的特征學(xué)習(xí)模型采用的是

4、概率潛在語義分析模型(PLSA)，該特征學(xué)習(xí)模型是一種淺層的特征學(xué)習(xí)模型，其特征學(xué)習(xí)的能力有限，因此，基于卷積神經(jīng)網(wǎng)絡(luò)的多示例多標(biāo)記學(xué)習(xí)方法(CNNMIML)應(yīng)用而生，卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的一種模型，具備良好的特征學(xué)習(xí)能力。
　　在多示例多標(biāo)記學(xué)習(xí)方法中，研究者已經(jīng)提出了很多算法，而MIMLBOOST和MIMLSVN是兩個(gè)比較典型的算法，因此，在進(jìn)行實(shí)驗(yàn)結(jié)果對(duì)比時(shí)，本文將提出的方法和MIMLBOOST和MIMLSVN這兩種方法分