基于多例学习的web图像聚类.pdfVIP

基于多例学习的web图像聚类★ 路晶，马少平 清华大学计算机科学与技术系，智能技术与系统国家重点实验室．清华信息科学与技术国家实验室， 北京100084 Email：luiin998@mails．tsinghua．edu．cn 摘要：在图像分类和自动标注系统中．多例学jJ(MIL)是研究的热点。分别在基于EM算法和启发式迭代 优化算法的框架下，提出了6种非监督的多例聚类算法，并对web图像进行聚类以分析用户的搜索兴趣。 一幅图像含有若干个区域，每个区域可被看作为一个样例，属于同一个图像的区域组成一个包。这样如何 理解图像语义内容的问题即可转化为多例学习。在多例学习的经典数据集MUSK和web图像集上的比较 实验表明，在不同类别数目下本文的多例聚类算法性能更好。 关键词：非监督的多例聚类算法：EM算法；启发式迭代优化算法 WebI CI Based—onI ti I e I nstance usteri Mu mage ng P Ma，MinZhang JingLu，Shao—Ping State of and Systems， KeyLaboratoryIntelligentTechnology National forInformationScienceand Tsinghua Laboratory Technology, of Scienceand 1 DepartmentComputer Technology，TsinghuaUniversity,Beijing00084，China． Email：l女ii旦g竺＆fi2匝§il￡：!§ingn女2：￡尘女：￡翌 Abstract：Inretrievalandannotation beenstudied image Learning(MIL)has systems，Multi-Instance actively． Mostofthestate—of-the-artmethodssolvetheMIL ina this tWO supervisedway．Inpaper,weproposed problem for on multi-instancebased unsupervised#ameworksclustering objects ExpectationMaximization(EM) anditerative each introducedthreenew heuristic framework,we approach optimizationrespectively．For of users’interestson web withoutmanuallabeleddata．An