直推式支持向量機(jī)研究及其在圖像檢索中的應(yīng)用.pdf

1、基于內(nèi)容的圖像檢索（CBIR）是計(jì)算機(jī)視覺(jué)和其它計(jì)算機(jī)科學(xué)領(lǐng)域的研究熱點(diǎn)，但圖像的低層特征與高層語(yǔ)義之間的巨大語(yǔ)義鴻溝束縛了CBIR的發(fā)展?；谥С窒蛄繖C(jī)（SVM）的相關(guān)反饋機(jī)制被認(rèn)為是一種可以有效跨越該鴻溝的策略，但這種方法沒(méi)有利用未標(biāo)記樣本的隱含信息。為更好地利用這些信息，本論文提出將直推式支持向量機(jī)（TSVM）作為反饋過(guò)程中的學(xué)習(xí)算法，并在此基礎(chǔ)上展開(kāi)進(jìn)一步研究，主要包括以下三方面的內(nèi)容：
　　第一，將TSVM引入到CBIR

2、問(wèn)題中。相比于SVM，TSVM具有更強(qiáng)的泛化能力，因此TSVM應(yīng)用于CBIR是可行的；分析圖像檢索問(wèn)題的需求，選擇非漸進(jìn)的TSVM逼近算法作為反饋過(guò)程中的學(xué)習(xí)算法；根據(jù)TSVM獲得較好應(yīng)用的文本分類問(wèn)題中所用特征向量的特點(diǎn)，設(shè)計(jì)了一種顏色稀疏特征，并將其與紋理特征結(jié)合。實(shí)驗(yàn)結(jié)果表明無(wú)論選取SVM或TSVM進(jìn)行學(xué)習(xí)，本文提出的混合特征在檢索效果上都是最好的。
　　第二，將TSVM引入到CBIR的同時(shí)也產(chǎn)生了一些新問(wèn)題，這些問(wèn)題主要有

3、TSVM的檢索結(jié)果并沒(méi)有明顯好于SVM，TSVM學(xué)習(xí)所需的時(shí)間遠(yuǎn)多于SVM，TSVM的分類性能隨反饋次數(shù)增加沒(méi)有明顯改進(jìn)。為此引入主動(dòng)學(xué)習(xí)和增量學(xué)習(xí)來(lái)解決這些問(wèn)題。通過(guò)主動(dòng)學(xué)習(xí)選擇分類器置信度最低的樣本提供給用戶進(jìn)行標(biāo)記，通過(guò)增量學(xué)習(xí)可以將用戶前幾次提供的反饋信息加以利用。以上的改進(jìn)取得了令人滿意的結(jié)果，同時(shí)也說(shuō)明TSVM可以在文本分類以外的領(lǐng)域獲得良好應(yīng)用。
　　第三，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于TSVM的檢索系統(tǒng)。該系統(tǒng)將本論文提出的