基于半监督拉普拉斯适应实验设计的图像分类.pdfVIP

第 36 卷第 1 期 温 州 大 学 学 报 ·自 然 科 学 版 2015 年 2 月 Vol 36, No 1 Journal of Wenzhou University · Natural Sciences Feb, 2015 基于半监督拉普拉斯适应实验设计的 图像分类 † 熊兴良，樊明宇，洪振杰 (温州大学数学与信息科学学院，浙江温州 325035) 摘 要：基于流形学习理论,通过改变权值的设置将类别信息加到图构造过程中，提出一种新的主动学 习算法．在 3 个真实图像数据集上的实验结果表明，新算法能够取得较好的图像分类效果． 关键词：主动学习；流形学习；图像分类 中图分类号：TP391.41 文献标志码：A 文章编号：1674-3563(2015)01-0011-06 DOI ：10.3875/j.issn.1674-3563.2015.01.003 本文的 PDF 文件可以从 获得 图像分类中需要大量已标签样本来训练分类器，而在实际应用中标注无类别数据样本比较昂 [1] 贵和费时，特别是对于人脸识别问题．近来主动学习已经成为机器学习和模式识别 领域中的一 个热点，许多主动学习技术为图像分类和文本分类而提出，例如，直推式实验设计和支持向量机 [2] [3-4] （SVM） ．以往绝大多数方法都是关于如何发现数据空间的判别结构的 ，对几何结构则很少 关注．为了研究其潜在的几何结构，人们提出了各种各样的流形学习算法，例如拉普拉斯特征映 [3] 射、等距特征映射 （ISOMAP ） 、局部保持投影等．基于直推式实验设计，通过使用拉普拉斯 [4] 构图法并在流形适应核空间里执行任务，以此来研究主动学习，蔡登等人为文本分类 提出了一 [4] [5] 种新的称为流形适应实验设计 （MAED ） 的主动学习算法．本文在半监督学习 条件下为图像 主动学习提出一种称为半监督拉普拉斯适应实验设计 （SSLAED ）的新颖流形适应主动学习算法， 通过半监督方式构图并将图结构并到流形核中，从而使新的流形结构能够被应用到学习过程中， 传统优化实验设计也能够在流形适应核空间中执行．很多主动学习算法在建立本质流形结构并解