基于多示例的集成學習理論與應用研究.pdf

1、多示例學習是繼監(jiān)督學習、無監(jiān)督學習、強化學習之后的第四類機器學習框架。與以往的三大學習框架不同,多示例學習的訓練數(shù)據(jù)中樣本與示例是不同的概念。多示例學習作為一種新型的學習模式,近幾年來受到學者們的高度重視,并成為研究的熱點,廣泛的應用于機器視覺、圖像處理等應用領域。本文比較系統(tǒng)地研究多示例學習,將其與集成學習相結(jié)合,探討基于多示例的集成學習理論和方法,并將其應用于目標跟蹤和驗證碼識別這兩個領域。本論文具體工作如下:
　?、疟疚氖紫?/p>

2、深入研究了多示例集成學習基礎理論和基本原理,然后詳細介紹三種具有代表性的MILBoost算法理論,以及闡述這三種算法分別應用于目標檢測、跟蹤和識別三個方面的優(yōu)點和應用過程中存在的局限性,為后續(xù)目標跟蹤和驗證碼識別工作做好充足準備。
　?、漆槍Χ嗍纠龑W習目標跟蹤算法自適應獲取正包時,正包中的正示例可能不具備辨別性,而且還易受到無益或有害示例的干擾,故不能很好的提取目標的鑒別性特征,影響了跟蹤算法的穩(wěn)健性。因此提出一種基于核密度估計的

3、權(quán)重示例選擇方法。先依據(jù)距離目標近的樣本貢獻大;而距離遠的貢獻小的原則,設置示例的權(quán)值大小,隨后建立核密度估計函數(shù)來精簡正包中的示例,剔除正包中無益示例或者有害示例,最后利用精簡后的樣本數(shù)據(jù)對MILBoost算法進行訓練學習,實現(xiàn)對目標的實時跟蹤。
　?、轻槍δ尘W(wǎng)站動態(tài)驗證碼字符種類多,形狀和大小差異大,以及該驗證碼引入時間維度增加識別難度等特點。本文采用MILBoost算法來識別動態(tài)驗證碼,然而在識別過程中會出現(xiàn)由部分匹配而導致