基于ELM協(xié)同訓(xùn)練的相關(guān)反饋.pdf

1、基于內(nèi)容的圖像檢索，是根據(jù)圖像自身所包含的顏色、紋理、形狀、空間關(guān)系等各種物理特征，在圖像數(shù)據(jù)庫(kù)中檢索具有相似特征的圖像。由于計(jì)算機(jī)自動(dòng)抽取的圖像特征和人所理解的語(yǔ)義之間存在巨大的差異，因此引入相關(guān)反饋機(jī)制，可通過(guò)多次交互反饋信息，獲取用戶的查詢意圖，從而提高檢索性能。
　　相關(guān)反饋固然能夠提高檢索系統(tǒng)的正確率，但是系統(tǒng)的整體性能還受到分類算法的影響。作為現(xiàn)代神經(jīng)科學(xué)和統(tǒng)計(jì)學(xué)的研究成果，人工神經(jīng)網(wǎng)絡(luò)模型的一個(gè)重要應(yīng)用就是不同類型數(shù)

2、據(jù)的分類。目前已有很多成熟的神經(jīng)網(wǎng)絡(luò)模型，極限學(xué)習(xí)機(jī)是近期出現(xiàn)的一種改進(jìn)的單層前饋網(wǎng)絡(luò)，也是一種典型的監(jiān)督學(xué)習(xí)算法。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法相比，極限學(xué)習(xí)機(jī)在確保較高泛化性能的同時(shí)，具有更快的處理速度，已經(jīng)受到了廣泛的關(guān)注。
　　在圖像檢索領(lǐng)域，對(duì)海量圖像數(shù)據(jù)的標(biāo)記工作需要耗費(fèi)大量的人力物力，因此，不可能全部利用有標(biāo)記的圖像對(duì)學(xué)習(xí)機(jī)進(jìn)行訓(xùn)練，并且由于圖像數(shù)據(jù)維數(shù)較高，傳統(tǒng)的檢索算法處理速度較慢。本文針對(duì)上述問(wèn)題進(jìn)行了深入的研究，主要獲

3、得以下研究成果：
　　(1)提出了一種基于協(xié)同訓(xùn)練的極限學(xué)習(xí)機(jī)算法，利用協(xié)同訓(xùn)練對(duì)極限學(xué)習(xí)機(jī)進(jìn)行改進(jìn)，使其能夠同時(shí)利用有標(biāo)記和無(wú)標(biāo)記數(shù)據(jù)進(jìn)行學(xué)習(xí)，成功實(shí)現(xiàn)了半監(jiān)督極限學(xué)習(xí)機(jī)。
　　(2)提出了半監(jiān)督極限學(xué)習(xí)機(jī)與相關(guān)反饋相結(jié)合的基于內(nèi)容的圖像檢索方法。首先對(duì)圖像進(jìn)行低層特征提取，然后將用戶反饋信息作為新的訓(xùn)練集，不斷訓(xùn)練半監(jiān)督極限學(xué)習(xí)機(jī)，重新對(duì)圖像庫(kù)進(jìn)行檢索，從而提高檢索正確率。
　　本文在Cancer、Waveform