一种新基于多示例学习场景分类方法.pdf

第 4 5卷 第 7期 山 东 大 学 学 报 ( 理 学 版) 20 10年 7 月 V ol. 45 N o. 7 Journ al of Sh andon g U n iversity(N atural Scien ce) Ju.l 2010 167 129352 ( 20 10) 0720108206 * 王刚, 许信顺 ( 山东大学计算机科学与技术学院, 山东 济南 250 10 1) 多示例学习是近年来才出现的一种新的学习框架, 并以其对多义性对象的出色 示能力而被成功地运用在 图像分类任务中。首先提出了一种新的图像多示例包生成方式, 采用特征的概率分布 示图像, 并对图像像素分 布提取一个高斯混合模型, 将每个高斯分布作为一个示例, 生成图像的多示例包。然后, 在对图像进行分类时, 采 用了信息瓶颈聚类把多示例包转化成单示例, 从而将传统的单示例分类器用在该问题上。为了提高分类器的泛 化能力, 对多个分类器进行了集成。选取了 5类自然场景图像进行试验, 结果显示所提出的方法平均性能优于当 前常用的一些多示例学习算法。 多示例学习; 信息瓶颈聚类; 高斯混合模型; 期望最大化算法; 场景分类; K2L 散度 TP3911 4 A A new M u lti2In stance learn ing m ethod for scene classification * W ANG G an g, XU X in2shun ( Sch ool of Com puter Science and Techn ology, Sh an don g Un iversity, Jinan 2 50101, Sh an don g, Ch in a) Ab stra ct: M u lti2In stance learn ing (M IL ) is a learn in g fram ew ork recently proposed, an d h as been successfu lly u sed in scene classif ica tion. F irst, a new mi age M u lt2i In stan ce ( M I) b ag gen era ting m e th od w as proposed, wh ich m ode ls an mi age w ith a G au ssian M ixed M ode l ( GMM ). The gen erated GMM w as treated a s an M I b ag and th e com p on en ts of th e GMM w ere th e in stan ce s of th e correspond ing bag. Th en, in form ation bottleneck clu ster in g w a s em p loyed to tran s2 form th e M IL prob lem into a sing le2in stan ce learn in g prob lem so th at sin gle2in stan ce classif ie rs cou ld be u sed for c la ss2i f ica tion. En