圖像語(yǔ)義分析算法與實(shí)現(xiàn)——基于多示例學(xué)習(xí)
定 價(jià):80 元
叢書(shū)名:現(xiàn)代數(shù)學(xué)基礎(chǔ)叢書(shū)
- 作者:李大湘,李娜著
- 出版時(shí)間:2016/10/1
- ISBN:9787030502100
- 出 版 社:科學(xué)出版社
- 中圖法分類(lèi):TP391.41
- 頁(yè)碼:221
- 紙張:膠版紙
- 版次:1
- 開(kāi)本:16K
本書(shū)首先講解圖像語(yǔ)義分析與MIL的基礎(chǔ)知識(shí)、研究現(xiàn)狀、應(yīng)用領(lǐng)域與標(biāo)準(zhǔn)數(shù)據(jù)集;然后詳細(xì)地剖析編者在MIL算法上的研究成果,每個(gè)算法分別組織成完整的一章,由算法引入、基本原理、算法步驟、流程圖、matlab代碼分析與對(duì)比試驗(yàn)結(jié)果等5個(gè)主體部分組成。通過(guò)理論學(xué)習(xí)和編程試驗(yàn),讀者不僅能夠掌握MIL和圖像語(yǔ)義分析的理論知識(shí),而且能夠掌握Matlab中的編程方法,達(dá)到理論與實(shí)踐相結(jié)合的學(xué)習(xí)目的,從而培養(yǎng)讀者的動(dòng)手能力,激發(fā)讀者的學(xué)習(xí)興趣。
更多科學(xué)出版社服務(wù),請(qǐng)掃碼獲取。
目錄
前言
第1章 緒論1
1.1圖像語(yǔ)義分析研究的背景1
1.2圖像語(yǔ)義分析研究的意義3
1.3圖像語(yǔ)義分析存在的問(wèn)題與研究方向4
1.4本書(shū)的主要內(nèi)容與創(chuàng)新點(diǎn)6
1.5本書(shū)的組織結(jié)構(gòu)7
參考文獻(xiàn)9
第2章 多示例學(xué)習(xí)算法研究現(xiàn)狀及應(yīng)用15
2.1多示例學(xué)習(xí)的起源15
2.2多示例學(xué)習(xí)與傳統(tǒng)機(jī)器學(xué)習(xí)的區(qū)別17
2.3多示例學(xué)習(xí)的主要概念18
2.4多示例學(xué)習(xí)的主要算法20
2.4.1軸平行矩形算法20
2.4.2多樣性密度算法21
2.4.3基于kNN的惰性多示例學(xué)習(xí)方法22
2.4.4基于支持向量機(jī)的多示例學(xué)習(xí)方法23
2.4.5半監(jiān)督的MIL算法28
2.4.6其他的多示例學(xué)習(xí)算法29
2.5多示例學(xué)習(xí)的應(yīng)用領(lǐng)域30
2.5.1基于內(nèi)容的圖像檢索30
2.5.2目標(biāo)識(shí)別30
2.5.3醫(yī)療圖像輔助識(shí)別31
2.5.4文本分類(lèi)31
2.5.5股票預(yù)測(cè)32
2.6MIL標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)集32
2.6.1Musk數(shù)據(jù)集32
2.6.2Corel 2k數(shù)據(jù)集33
2.6.3SIVAL數(shù)據(jù)集33
2.7本章小結(jié)33
參考文獻(xiàn)34
第3章 基于推土機(jī)距離的惰性多示例學(xué)習(xí)算法及應(yīng)用39
3.1引言39
3.2多示例包的構(gòu)造方法40
3.2.1JSEG圖像分割40
3.2.2自適應(yīng)JSEG圖像分割41
3.2.3構(gòu)造多示例包(特征提取)42
3.3Citation-kNN算法及其不足42
3.4推土機(jī)距離43
3.5基于自適應(yīng)推土機(jī)距離的MIL算法與圖像檢索44
3.5.1自適應(yīng)推土機(jī)距離44
3.5.2AEMD-CkNN算法步驟45
3.5.3圖像檢索試驗(yàn)結(jié)果與分析46
3.6基于區(qū)域權(quán)值調(diào)整推土機(jī)距離的MIL算法與圖像分類(lèi)48
3.6.1區(qū)域權(quán)值調(diào)整推土機(jī)距離48
3.6.2EMD-CkNN算法步驟50
3.6.3圖像分類(lèi)試驗(yàn)結(jié)果與分析50
3.7本章小結(jié)53
參考文獻(xiàn)53
第4章 基于FSVM-MIL算法的對(duì)象圖像檢索55
4.1引言55
4.2基于模糊支持向量機(jī)的多示例學(xué)習(xí)算法55
4.2.1模糊支持向量機(jī)56
4.2.2模糊隸屬度函數(shù)57
4.2.3FSVM-MIL算法步驟58
4.3試驗(yàn)結(jié)果與分析59
4.3.1試驗(yàn)方法59
4.3.2試驗(yàn)結(jié)果與效率分析60
4.4本章小結(jié)61
參考文獻(xiàn)62
第5章 基于QPSO-MIL算法的圖像標(biāo)注63
5.1引言63
5.2基于區(qū)域的圖像標(biāo)注64
5.3圖像標(biāo)注問(wèn)題的數(shù)學(xué)描述65
5.4圖像標(biāo)注與多示例學(xué)習(xí)65
5.5QPSO-MIL算法及步驟67
5.5.1量子粒子群優(yōu)化算法67
5.5.2適應(yīng)度函數(shù)設(shè)計(jì)67
5.5.3QPSO-MIL算法步驟68
5.6試驗(yàn)結(jié)果與分析69
5.6.1試驗(yàn)圖像庫(kù)69
5.6.2試驗(yàn)方法69
5.6.3試驗(yàn)結(jié)果與分析70
5.6.4算法效率分析72
5.7本章小結(jié)72
參考文獻(xiàn)72
第6章 基于視覺(jué)空間投影的多示例學(xué)習(xí)算法與圖像檢索75
6.1引言75
6.2現(xiàn)有工作與不足77
6.3RSTSVM-MIL算法77
6.3.1視覺(jué)投影空間構(gòu)造77
6.3.2視覺(jué)投影特征計(jì)算79
6.3.3RSTSVM-MIL算法步驟79
6.4試驗(yàn)結(jié)果與分析82
6.4.1圖像庫(kù)及試驗(yàn)方法82
6.4.2算法性能與K的關(guān)系82
6.4.3對(duì)比試驗(yàn)及分析83
6.5本章小結(jié)85
參考文獻(xiàn)86
第7章 基于模糊潛在語(yǔ)義分析的多示例學(xué)習(xí)算法與圖像分類(lèi)88
7.1引言88
7.2FLSA-SSMIL算法89
7.2.1建立視覺(jué)詞匯表89
7.2.2構(gòu)造模糊“詞-文檔”矩陣90
7.2.3模糊潛在語(yǔ)義特征92
7.2.4FLSA-SSMIL算法步驟93
7.3試驗(yàn)結(jié)果與分析94
7.3.1藥物活性預(yù)測(cè)94
7.3.2圖像分類(lèi)試驗(yàn)95
7.3.3算法效率99
7.4本章小結(jié)99
參考文獻(xiàn)99
第8章 基于多示例學(xué)習(xí)的目標(biāo)跟蹤算法102
8.1引言102
8.2基于外觀模型的跟蹤算法103
8.2.1概述103
8.2.2分類(lèi)104
8.2.3數(shù)據(jù)庫(kù)109
8.2.4評(píng)價(jià)標(biāo)準(zhǔn)110
8.3基于多示例學(xué)習(xí)的跟蹤算法原理110
8.3.1算法框架111
8.3.2在線(xiàn)多示例學(xué)習(xí)分類(lèi)器112
8.3.3弱分類(lèi)器構(gòu)造113
8.4基于混合高斯模型和多示例學(xué)習(xí)的跟蹤算法113
8.4.1算法概述114
8.4.2包中示例特征建模115
8.4.3訓(xùn)練弱分類(lèi)器116
8.4.4構(gòu)造強(qiáng)分類(lèi)器117
8.4.5試驗(yàn)117
8.5本章小結(jié)122
參考文獻(xiàn)122
第9章 基于多示例集成學(xué)習(xí)的色情圖像識(shí)別126
9.1研究現(xiàn)狀及趨勢(shì)126
9.1.1色情圖像識(shí)別研究現(xiàn)狀126
9.1.2色情圖像識(shí)別技術(shù)發(fā)展趨勢(shì)127
9.2基于SSP多示例建模129
9.2.1多示例建模129
9.2.2基于稀疏編碼的“元數(shù)據(jù)”提取133
9.3基于極限學(xué)習(xí)機(jī)的集成多示例學(xué)習(xí)算法135
9.3.1基于極限學(xué)習(xí)機(jī)的基分類(lèi)器135
9.3.2ELMCE-MIL算法及步驟136
9.4試驗(yàn)結(jié)果與分析137
9.4.1實(shí)驗(yàn)圖像與方法137
9.4.2多示例建模方法對(duì)比試驗(yàn)138
9.4.3試驗(yàn)結(jié)果與分析138
9.5本章小結(jié)140
參考文獻(xiàn)141
第10章 多示例框架下的刑偵圖像檢索及實(shí)現(xiàn)144
10.1引言144
10.2基于多示例學(xué)習(xí)的刑偵圖像檢索146
10.2.1有重疊網(wǎng)格分塊方法146
10.2.2分塊視覺(jué)特征提取146
10.2.3基于推土機(jī)距離的多示例包相似度量149
10.2.4算法流程150
10.3MATLAB仿真程序150
10.3.1基于網(wǎng)格分塊構(gòu)造多示例包150
10.3.2相似檢索MATLAB程序157
10.3.3使用方法159
10.4試驗(yàn)結(jié)果與分析159
10.5本章小結(jié)162
參考文獻(xiàn)162
第11章 基于MIL的紅外圖像人臉識(shí)別及實(shí)現(xiàn)165
11.1引言165
11.2SIFT算法原理及描述子166
11.2.1關(guān)鍵點(diǎn)檢測(cè)166
11.2.2關(guān)鍵點(diǎn)描述170
11.3基于MIL的紅外人臉識(shí)別算法172
11.3.1MIL建模173
11.3.2LSA-MIL算法原理173
11.4MATLAB仿真程序178
11.4.1構(gòu)造多示例包178
11.4.2計(jì)算潛在語(yǔ)義特征179
11.4.3訓(xùn)練與識(shí)別183
11.4.4使用方法185
11.5試驗(yàn)結(jié)果與分析186
11.5.1人臉庫(kù)與試驗(yàn)方法186
11.5.2對(duì)比試驗(yàn)及分析187
11.6本章小結(jié)188
參考文獻(xiàn)188
第12章 基于MIL的圖像分類(lèi)算法及實(shí)現(xiàn)190
12.1引言190
12.2基于MIL的圖像分類(lèi)算法原理191
12.2.1基于圖像分割構(gòu)造多示例包191
12.2.2計(jì)算多示例包的投影特征194
12.2.3投影特征分析195
12.2.4有監(jiān)督學(xué)習(xí)求解MIL問(wèn)題197
12.3MATLAB仿真程序198
12.3.1構(gòu)造多示例包MATLAB程序199
12.3.2投影特征計(jì)算MATLAB程序203
12.3.3支持向量機(jī)訓(xùn)練與預(yù)測(cè)MATLAB程序205
12.3.4使用方法210
12.4試驗(yàn)方法與結(jié)果212
12.4.1試驗(yàn)圖像庫(kù)212
12.4.2試驗(yàn)結(jié)果212
12.5本章小結(jié)215
參考文獻(xiàn)216
第13章 總結(jié)與展望218
13.1工作總結(jié)218
13.2進(jìn)一步研究與展望219